KR102656603B1 - Apparatus for estimating of road surface type using velocity estimation of moving object and method thereof - Google Patents
Apparatus for estimating of road surface type using velocity estimation of moving object and method thereof Download PDFInfo
- Publication number
- KR102656603B1 KR102656603B1 KR1020230130751A KR20230130751A KR102656603B1 KR 102656603 B1 KR102656603 B1 KR 102656603B1 KR 1020230130751 A KR1020230130751 A KR 1020230130751A KR 20230130751 A KR20230130751 A KR 20230130751A KR 102656603 B1 KR102656603 B1 KR 102656603B1
- Authority
- KR
- South Korea
- Prior art keywords
- road surface
- speed
- moving object
- signal
- sound wave
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 238000013145 classification model Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000001172 regenerating effect Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 241000238565 lobster Species 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010309 melting process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/50—Systems of measurement, based on relative movement of the target
- G01S15/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0047—Digital-analogue (D/A) or analogue-digital (A/D) conversion
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0057—Frequency analysis, spectral techniques or transforms
-
- 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
- B60W2420/54—Audio sensitive means, e.g. ultrasound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Transportation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
본 발명은 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 음파 신호를 송신하여 반사된 신호를 수신하고, 수신한 신호로부터 도플러 효과를 고려한 이동체의 속도를 추정하고, 상기 추정한 이동체의 속도 및 상기 수신한 신호에 대하여 인공신경망을 이용하여 학습시켜 해당 노면의 종류를 추정하도록 하는 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법을 제공한다.The present invention relates to a road surface type estimation device and method using speed estimation of a moving object, and more specifically, to transmit a sound wave signal and receive a reflected signal, and to estimate the speed of a moving object considering the Doppler effect from the received signal. , Provides an apparatus and method for estimating the type of road surface using the speed estimation of a moving object, which learns the estimated speed of the moving object and the received signal using an artificial neural network to estimate the type of the road surface.
Description
본 발명은 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 음파 신호를 송신하여 반사된 신호를 수신하고, 수신한 신호로부터 도플러 효과를 고려한 이동체의 속도를 추정하고, 상기 추정한 이동체의 속도 및 상기 수신한 신호에 대하여 인공신경망을 이용하여 학습시켜 해당 노면의 종류를 추정하도록 하는 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법에 관한 것이다.The present invention relates to a road surface type estimation device and method using speed estimation of a moving object, and more specifically, to transmit a sound wave signal and receive a reflected signal, and to estimate the speed of a moving object considering the Doppler effect from the received signal. , relates to an apparatus and method for estimating the type of road surface using the speed estimation of a moving object, which learns the estimated speed of the moving object and the received signal using an artificial neural network to estimate the type of the road surface.
미국에서는 매년 600 만건 내외의 교통사고가 발생한다. 특히, 노면의 미끄러움만으로 미국에서만 한해 평균 120 만건 이상의 사고가 발생하고, 이러한 사고로 매년 5000명 이상이 사망하고 있다. 이에, 노면의 미끄러움은 국가와 보험사에 큰 부담으로 작용하는 하나의 사회적 문제로 대두되고 있다.In the United States, approximately 6 million traffic accidents occur every year. In particular, more than 1.2 million accidents occur on average each year in the United States alone due to slippery road surfaces, and more than 5,000 people die every year from these accidents. Accordingly, the slipperiness of road surfaces is emerging as a social problem that places a great burden on the government and insurance companies.
한국도 예외는 아니다. 매년 겨울철마다 블랙아이스 사고가 발생하며, 최근 5년간 6,500 건이 발생했으며, 사망자수는 200 여명에 달한다.Korea is no exception. Black ice accidents occur every winter, with 6,500 cases occurring over the past five years and the number of deaths reaching approximately 200.
우리나라에서 융설 과정은 4단계로 이뤄지고 있는데, 이 모든 과정의 전달이 사람에 의해 수동적으로 전달되고 있으며, 최종 단계까지 전달될 때까지 수 시간이 소요된다. 지난번 상주영천고속도로의 블랙아이스 사고의 경우도, 담당공무원이 예보를 확인했지만 사전 융설을 요청하지 않아 발생한 인재였다.In Korea, the snow melting process is carried out in four stages, and all of these processes are carried out manually by humans, and it takes several hours to reach the final stage. In the case of the last black ice accident on the Sangju-Yeongcheon Expressway, it was a man-made disaster that occurred because the official in charge checked the forecast but did not request snow melting in advance.
이러한 사고는 노면의 상태를 실시간으로 감지할 수 있는 센서 및 이를 이용한 알림 시스템의 부재로 인한 것이다.These accidents are due to the absence of sensors that can detect the condition of the road surface in real time and a notification system using them.
한편, 지금까지 노면의 종류나 노면의 마찰계수를 추정하는 방법으로 제안 된 방법으로는 크게 두 가지가 있다.Meanwhile, there are two major methods proposed so far to estimate the type of road surface or the friction coefficient of the road surface.
하나는 직접적 방법으로 물리적인 마찰을 일으켜서 알아내는 방법이고, 다른 하나는 간접적 방법으로 전파나 음파를 이용하는 방법이다.One is a direct method of finding out by causing physical friction, and the other is an indirect method of using radio waves or sound waves.
먼저, 직접적 방법에는 휠기반의 방법과 차량 동역학 기반의 방법이 있다.First, direct methods include wheel-based methods and vehicle dynamics-based methods.
이 두 방법의 공통점은 운전자의 의도와 무관하게 브레이크를 작동시켜서 차량의 감속 정도로 노면의 마찰계수를 추정하는 것이다.What these two methods have in common is to estimate the friction coefficient of the road surface by applying the brakes regardless of the driver's intention and decelerating the vehicle.
이 방법은 마찰계수를 알고 싶은 해당 노면을 밟아야지만 알 수 있고 차량 동역학 모델이 필수적으로 필요하다. 또한 브레이크를 동작시켜야 하므로 승차감이나 연비에 영향을 주는 한계가 있다.In this method, you can only find out the friction coefficient by stepping on the road surface you want to know, and a vehicle dynamics model is essential. Additionally, since the brakes must be operated, there are limitations that affect ride comfort and fuel efficiency.
한편, 간접적 방법에는 전자기파와 음파를 이용한 방식이 있는데, 이 두 방식 모두 물리적인 마찰이 필요하지 않으므로, 차량 동역학 모델에 대해 독립적으로 사용할 수 있으며 해당 노면의 접촉 없이 미리 노면의 상태를 알 수 있는 장점이 있다.Meanwhile, indirect methods include methods using electromagnetic waves and sound waves. Both of these methods do not require physical friction, so they can be used independently of the vehicle dynamics model and have the advantage of knowing the condition of the road surface in advance without contacting the road surface. There is.
상기 전자기파 기반의 방식은 카메라, 라이다, 레이더 등을 사용하는데, 상당히 멀리 볼 수 있지만, 정확도가 상대적으로 떨어지며, 시스템의 가격이 수백에서 수천 달러에 형성되어 매우 고가에 속한다. 또한, 데이터의 양이 많아서 데이터 셋(Data Set)을 만드는데 어려움도 있다.The electromagnetic wave-based method uses cameras, lidar, radar, etc., and although it can see quite far away, its accuracy is relatively low, and the system is very expensive, ranging from hundreds to thousands of dollars. Additionally, because the amount of data is large, it is difficult to create a data set.
또한 전자기파 방식 중 하나인 이미지 센서를 사용한 방식이 있으며, 영상 센서인 카메라를 이용해서 노면의 종류를 구분한다. 하지만 이미지 센서의 경우 조도에 영향을 크게 받으며, 블랙아이스는 사람에 눈에 잘 보이지 안 듯, 비전 센서는 이를 감지하지 못한다. 이러한 한계로 이미지 센서를 사용 방법의 평균 성능은 70% 미만이다, 또한, 이미지 센서뿐 아니라 고성능의 영상 처리장치가 필요하여 그 비용이 상대적으로 크다.Additionally, there is a method using an image sensor, which is one of the electromagnetic wave methods, and it uses a camera, an image sensor, to classify the type of road surface. However, image sensors are greatly affected by illumination, and black ice is difficult to see to the human eye, so vision sensors cannot detect it. Due to these limitations, the average performance of methods using image sensors is less than 70%. Additionally, not only an image sensor but also a high-performance image processing device is required, so the cost is relatively high.
블랙아이스의 경우 사람의 눈에 보이지 않듯이 이미지 센서로도 감지가 불가능하다. 즉, 이미지 센서 방식으로는 다양한 종류의 노면을 구분할 수 없는 한계가 있다.In the case of black ice, just as it is invisible to the human eye, it cannot be detected even by an image sensor. In other words, there is a limitation in being unable to distinguish various types of road surfaces using the image sensor method.
한편, 상기 음파를 이용한 방식으로는, 패시브(Passive) 센싱 방식과 액티브(Active) 센싱 방식이 있는데, 패시브 센싱 방식으로 일정 시간동안 타이어에서 나는 소음을 마이크로 녹음한 후 인공신경망을 이용하여 분류하는 방식이 있다. 이러한 방식에서 타이어가 지나간 노면에 대해서만 노면의 종류를 알 수가 있고 분류에 긴 시간이 소요되는 한계가 있다. 한편, 액티브 센싱 방식 중에는, 거리와 반사 세기 정보만 이용하여 반사된 노면을 구분하는 연구가 있는데, 이는 주변 외란에 약하다는 단점이 있다.Meanwhile, methods using the sound waves include a passive sensing method and an active sensing method. The passive sensing method records noise from tires for a certain period of time with a microphone and then classifies it using an artificial neural network. There is. In this method, the type of road surface can be known only for the surface over which the tire has passed, and there is a limitation in that classification takes a long time. Meanwhile, among active sensing methods, there is research to classify reflected road surfaces using only distance and reflection intensity information, but this method has the disadvantage of being weak to surrounding disturbances.
한편, 요즘 도로에 번호판이 하늘색인 전기차와 수소차가 많이 보이고 있다. 블룸버그에 의하면 2040년에는 판매되는 차량의 반 이상이 전기차가 될 것이라고 예측하고 있으며, 도로에 다니는 차량의 3분의 1이 전기차가 될것이라고 예상하고 있다.Meanwhile, many electric and hydrogen cars with light blue license plates are appearing on the roads these days. According to Bloomberg, more than half of vehicles sold will be electric vehicles by 2040, and one-third of vehicles on the road will be electric vehicles.
전기차의 주행가능 거리인 마일리지를 늘리기 위해 차량 제조사들은 회생 제동을 적극적으로 활용하고 있다. 그런데 회생제동으로 인해 차가 미끄러져서 사고가 났다는 소식을 어렵지 않게 들을 수 있다. 회생 제동으로 뒷바퀴에 견인력을 잃었다던지 바퀴가 잠기는 증상이 발생한다 To increase the mileage, which is the driving range of electric vehicles, vehicle manufacturers are actively using regenerative braking. However, it is not difficult to hear news about accidents caused by a car skidding due to regenerative braking. Symptoms such as loss of traction on the rear wheels or wheels locking occur due to regenerative braking.
현재 테슬라의 회생제동 설정을 보면 표준과 낮음으로 변경시킬 수는 있지만 끄는 옵션은 없다. 이러한 사고가 나는 이유는 회생제동 모듈의 제어주기가 100ms로 다른 시스템보다 긴 편이며 제조사가 회생제동 기능을 끌 수 있게 만들지 않는 이유는 차량의 이동가능 거리가 급격히 하락하기 때문이다.Looking at Tesla's current regenerative braking settings, you can change it to standard and low, but there is no option to turn it off. The reason these accidents occur is because the control cycle of the regenerative braking module is 100ms, which is longer than other systems, and the reason why manufacturers do not allow the regenerative braking function to be turned off is because the vehicle's travelable distance drastically decreases.
주행하는 노면의 상태에 따라 회생제동을 하면 가장 좋을 것 같지만 노면의 종류를 차량이 지나가기 전에 미리 알 수 없어 이러한 문제가 생긴다고 할 수 있다.It may be best to use regenerative braking depending on the condition of the road surface you are driving on, but this problem arises because the type of road surface cannot be known in advance before the vehicle passes.
한편, 차량(이동체)에 노면 분류 장치가 장착되어 주행 중 노면 분류를 수행하게 될 때, 차량(이동체)의 속도가 커질수록 도플러 효과에 의해 원래 송신 주파수와 수신되는 신호의 주파수 차이가 커지게 된다. 그에 따라 수신 신호의 왜곡이 심해져 노면 분류하는데 있어 이동체의 속도를 고려해줄 필요가 있다.Meanwhile, when a road classification device is installed on a vehicle (mobile object) to perform road surface classification while driving, as the speed of the vehicle (mobile object) increases, the difference between the original transmission frequency and the frequency of the received signal increases due to the Doppler effect. . As a result, the distortion of the received signal becomes more severe, so it is necessary to consider the speed of the moving object when classifying the road surface.
한국등록특허 [10-1716270]에서는 전방 지면 상태 추정 장치 및 방법이 개시되어 있다.Korean patent [10-1716270] discloses a front ground state estimation device and method.
한국등록특허 [10-2136576]에서는 노면 상태 측정 장치 및 노면 상태 진단 시스템가 개시되어 있다.Korean registered patent [10-2136576] discloses a road surface condition measuring device and a road surface condition diagnosis system.
한국등록특허 [10-2156295]에서는 초음파 신호를 이용한 노면 종류 추정 방법 및 장치가 개시되어 있다.Korean registered patent [10-2156295] discloses a method and device for estimating the type of road surface using ultrasonic signals.
한국등록특허 [10-2207816]에서는 센서 데이터를 이용한 노면 상태 측정 방법 및 그 장치가 개시되어 있다.Korean registered patent [10-2207816] discloses a method and device for measuring road surface conditions using sensor data.
따라서, 본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 음파 신호를 송신하여 반사된 신호를 수신하고, 수신한 신호로부터 도플러 효과를 고려한 이동체의 속도를 추정하고, 상기 추정한 이동체의 속도 및 상기 수신한 신호에 대하여 인공신경망을 이용하여 학습시켜 해당 노면의 종류를 추정하도록 하는 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법을 제공하는 것이다.Therefore, the present invention was created to solve the problems described above. The purpose of the present invention is to transmit a sound wave signal, receive a reflected signal, estimate the speed of a moving object considering the Doppler effect from the received signal, To provide an apparatus and method for estimating the type of road surface using the speed estimation of a moving object, which learns the estimated speed of the moving object and the received signal using an artificial neural network to estimate the type of the road surface.
본 발명의 실 시예들의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The purposes of the embodiments of the present invention are not limited to the purposes mentioned above, and other purposes not mentioned will be clearly understood by those skilled in the art from the description below. .
상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치는, 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신하기 위한 음파 송수신부(센서)(100); 상기 수신한 신호의 아날로그 신호를 디지털 신호로 변환하기 위한 아날로그디지털변환기(200); 상기 변환된 디지털 신호를 처리하여 상기 이동체의 속도를 추정하기 위한 속도추정부(300); 상기 변환된 디지털 신호 및 상기 추정한 이동체의 속도를 입력 신호로 하고, 학습된 노면분류모델에 기반하여 상기 입력 신호들을 분류하여 상기 노면의 종류를 추정하는 인공신경망(400); 및 상기 음파 송수신부(센서), 상기 아날로그디지털변환기, 상기 속도추정부 및 상기 인공신경망의 동작을 제어하는 제어부(MCU)(500)를 포함하는 것을 특징으로 한다.In order to achieve the above-described object, a road surface type estimation device using speed estimation of a moving object according to an embodiment of the present invention transmits a sound wave signal to the road surface of which the type is to be known, and then receives the reflected signal. A sound wave transceiver (sensor) (100) for; An analog-to-digital converter (200) for converting the analog signal of the received signal into a digital signal; a speed estimation unit 300 for estimating the speed of the moving object by processing the converted digital signal; an artificial neural network 400 that uses the converted digital signal and the estimated speed of the moving object as input signals and classifies the input signals based on a learned road surface classification model to estimate the type of the road surface; And a control unit (MCU) 500 that controls the operation of the sound wave transceiver (sensor), the analog-to-digital converter, the speed estimation unit, and the artificial neural network.
또한, 상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법은, 제어부의 제어에 따라, 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신하는 반사신호수신단계(S20); 상기 제어부의 제어에 따라, 상기 수신한 신호의 기설정 영역에 대하여 아날로그 신호를 디지털 신호로 변환하는 신호변환단계(S30); 상기 제어부의 제어에 따라, 상기 디지털 신호를 처리하여 이동체의 속도를 추정하는 이동체속도추정단계(S40); 상기 제어부의 제어에 따라, 상기 디지털 신호의 기설정 영역에 대하여 주파수 변환을 수행하여 주파수 도메인 신호를 획득하는 주파수도메인신호획득단계(S50); 및 상기 제어부의 제어에 따라, 상기 주파수 도메인 신호 및 상기 추정한 이동체의 속도를 신경망의 입력 신호로 하고, 학습된 노면분류모델에 기반하여, 상기 입력 신호의 특성을 추출하고, 분류하여 상기 노면의 종류를 결정하는 제1노면종류결정단계(S60)를 포함하는 것을 특징으로 한다.In addition, in order to achieve the above-described object, the road surface type estimation method using speed estimation of a moving object according to an embodiment of the present invention transmits a sound wave signal to the road surface whose type is to be known under the control of the control unit. Afterwards, a reflected signal reception step (S20) of receiving the reflected signal; A signal conversion step (S30) of converting an analog signal into a digital signal for a preset area of the received signal under the control of the control unit; A moving object speed estimation step (S40) of estimating the speed of the moving object by processing the digital signal under the control of the control unit; A frequency domain signal acquisition step (S50) of obtaining a frequency domain signal by performing frequency conversion on a preset region of the digital signal under the control of the control unit; And under the control of the control unit, the frequency domain signal and the estimated speed of the moving object are used as input signals of the neural network, and based on the learned road surface classification model, the characteristics of the input signal are extracted and classified to determine the road surface. It is characterized by including a first road surface type determination step (S60) for determining the type.
또한, 상기한 바와 같은 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법은, 제어부의 제어에 따라, 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신하는 반사신호수신단계(S20); 상기 제어부의 제어에 따라, 상기 수신한 신호의 기설정 영역에 대하여 아날로그 신호를 디지털 신호로 변환하는 신호변환단계(S30); 상기 제어부의 제어에 따라, 상기 디지털 신호를 처리하여 이동체의 속도를 추정하는 이동체속도추정단계(S40); 상기 제어부의 제어에 따라, 인공신경망에서 상기 디지털 신호를 전달받아 다회의 컨벌루션 연산을 수행하는 컨벌루션연산단계(S70); 및 상기 제어부의 제어에 따라, 상기 인공신경망에서 학습된 노면분류모델에 기반하여, 상기 컨벌루션 연산된 신호 및 상기 추정한 이동체의 속도의 특성을 추출하고, 분류하여 상기 노면의 종류를 결정하는 제2노면종류결정단계(S80)를 포함하는 것을 특징으로 한다.In addition, in order to achieve the above-described object, the road surface type estimation method using speed estimation of a moving object according to another embodiment of the present invention transmits a sound wave signal to the road surface whose type is to be known under the control of the control unit. Afterwards, a reflected signal reception step (S20) of receiving the reflected signal; A signal conversion step (S30) of converting an analog signal into a digital signal for a preset area of the received signal under the control of the control unit; A moving object speed estimation step (S40) of estimating the speed of the moving object by processing the digital signal under the control of the control unit; A convolution operation step (S70) of receiving the digital signal from an artificial neural network and performing multiple convolution operations under the control of the control unit; and a second unit for extracting, classifying, and determining the type of the road surface based on the road surface classification model learned from the artificial neural network under the control of the controller. It is characterized by including a road surface type determination step (S80).
또한, 본 발명의 일 실시예에 따르면, 상기 이동체의 속도 추정을 이용한 노면 종류 추정 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체가 제공되는 것을 특징으로 한다.In addition, according to one embodiment of the present invention, a computer-readable recording medium storing a program for implementing a method for estimating a road surface type using speed estimation of the moving object is provided.
아울러, 본 발명의 일 실시예에 따르면, 상기 이동체의 속도 추정을 이용한 노면 종류 추정 방법을 구현하기 위해, 컴퓨터 판독 가능한 기록매체에 저장된 프로그램이 제공되는 것을 특징으로 한다.In addition, according to one embodiment of the present invention, a program stored in a computer-readable recording medium is provided to implement a method of estimating the type of road surface using the estimation of the speed of the moving object.
본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법에 의하면, 음파 신호를 송신하여 반사된 신호를 수신하고, 수신한 신호로부터 도플러 효과를 고려한 이동체의 속도를 추정하고, 상기 추정한 이동체의 속도 및 상기 수신한 신호에 대하여 인공신경망을 이용하여 학습시켜 해당 노면의 종류를 추정하는 것이 가능하므로, 복잡하지 않은 구성을 통해 높은 정확도로 노면의 종류를 결정할 수 있는 효과가 있다.According to an apparatus and method for estimating a road surface type using speed estimation of a moving object according to an embodiment of the present invention, a sound wave signal is transmitted and a reflected signal is received, the speed of the moving object is estimated from the received signal considering the Doppler effect, and Since it is possible to estimate the type of road surface by learning the estimated speed of the moving object and the received signal using an artificial neural network, the type of road surface can be determined with high accuracy through a simple configuration. there is.
또한, 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법에 의하면, 높은 정확도로 노면 종류 또는 노면의 상태를 결정할 수 있으므로, 얇은 얼음이 형성되는 블랙아이스의 생성 여부를 빠르게 확인할 수 있어, 해당 구간을 운행하는 운전자에게 미리 예보가 가능한 효과가 있다.In addition, according to the road surface type estimation device and method using the speed estimation of a moving object according to an embodiment of the present invention, the road surface type or road surface condition can be determined with high accuracy, so it is possible to determine whether black ice, in which thin ice is formed, is formed. can be checked quickly, which has the effect of providing advance forecasts to drivers driving in that section.
또, 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법에 의하면, 가격이 저렴한 40kHz의 초음파 센서와 가벼운 알고리즘을 사용하여 노면 종류 추정 장치를 구현할 수 있으므로, 처리속도가 빠르고 경제적인 효과가 있다.In addition, according to the road surface type estimation device and method using the speed estimation of a moving object according to an embodiment of the present invention, the road surface type estimation device can be implemented using an inexpensive 40 kHz ultrasonic sensor and a lightweight algorithm, thereby increasing the processing speed. It is fast and economically effective.
또, 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치 및 그 방법에 의하면, 차량의 속도에 따라 학습된 노면 분류 모델을 사용하기 때문에 주행 중인 차량에서도 노면의 종류를 정확하고 빠르게 추정할 수 있는 효과가 있다.In addition, according to the road surface type estimation device and method using the speed estimation of a moving object according to an embodiment of the present invention, since a road surface classification model learned according to the speed of the vehicle is used, the type of road surface can be accurately determined even in a running vehicle. There is an effect that can be estimated quickly.
도 1은 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치의 구성도.
도 2는 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서 도플러 효과를 설명하기 위한 도면.
도 3은 이동체의 속도에 따른 음파 송수신 신호의 주파수 변화를 설명하기 위한 그래프.
도 4a 내지 4b는 차량의 속도에 대한 학습 데이터를 설명하기 위한 도면들.
도 5는 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서의 인공신경망의 일실시예 구성도.
도 6은 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서 신호 변환기를 설명하기 위한 도면.
도 7은 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서 인공신경망의 다른 실시예 구성도.
도 8은 도 7의 컨벌루션 수행부의 동작을 설명하기 위한 도면.
도 9는 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법의 일실시예 흐름도.
도 10은 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법의 다른 실시예 흐름도.1 is a configuration diagram of a road surface type estimation device using speed estimation of a moving object according to an embodiment of the present invention.
Figure 2 is a diagram illustrating the Doppler effect in a road surface type estimation device using speed estimation of a moving object according to an embodiment of the present invention.
Figure 3 is a graph for explaining the change in frequency of sound wave transmission and reception signals according to the speed of a moving object.
Figures 4A and 4B are diagrams for explaining learning data about vehicle speed.
Figure 5 is a configuration diagram of an embodiment of an artificial neural network in a road surface type estimation device using speed estimation of a moving object according to the present invention.
FIG. 6 is a diagram illustrating a signal converter in a road surface type estimation device using speed estimation of a moving object according to an embodiment of the present invention.
Figure 7 is a configuration diagram of another embodiment of an artificial neural network in a road surface type estimation device using speed estimation of a moving object according to the present invention.
FIG. 8 is a diagram for explaining the operation of the convolution performance unit of FIG. 7.
Figure 9 is a flowchart of an embodiment of a road surface type estimation method using speed estimation of a moving object according to the present invention.
Figure 10 is a flowchart of another embodiment of a road surface type estimation method using speed estimation of a moving object according to the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야한다.Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all changes, equivalents, and substitutes included in the spirit and technical scope of the present invention.
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.When a component is said to be "connected" or "connected" to another component, it is understood that it may be directly connected to or connected to the other component, but that other components may exist in between. It should be.
반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.On the other hand, when it is mentioned that a component is “directly connected” or “directly connected” to another component, it should be understood that there are no other components in between.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used herein are merely used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, processes, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, processes, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the present invention pertains. Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as having an ideal or excessively formal meaning unless explicitly defined in the present application. No.
이하, 첨부된 도면을 참조하여 본 발명을 더욱 상세하게 설명한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 또한, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다. Hereinafter, the present invention will be described in more detail with reference to the attached drawings. Prior to this, the terms or words used in this specification and claims should not be construed as limited to their usual or dictionary meanings, and the inventor should appropriately define the concept of terms in order to explain his or her invention in the best way. Based on the principle of definability, it must be interpreted with meaning and concept consistent with the technical idea of the present invention. In addition, if there is no other definition in the technical and scientific terms used, they have meanings commonly understood by those skilled in the art to which this invention pertains, and the gist of the present invention is summarized in the following description and accompanying drawings. Descriptions of known functions and configurations that may be unnecessarily obscure are omitted. The drawings introduced below are provided as examples so that the idea of the present invention can be sufficiently conveyed to those skilled in the art. Accordingly, the present invention is not limited to the drawings presented below and may be embodied in other forms. Additionally, like reference numerals refer to like elements throughout the specification. It should be noted that like elements in the drawings are represented by like symbols wherever possible.
도 1은 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치의 구성도이다.1 is a configuration diagram of a road surface type estimation device using speed estimation of a moving object according to an embodiment of the present invention.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치는, 음파 송수신부(센서)(100), 아날로그디지털변환기(ADC: analog-digital converter), 속도추정부(300), 인공신경망(400), 및 제어부(MCU)(500)를 포함한다.As shown in FIG. 1, the road surface type estimation device using speed estimation of a moving object according to an embodiment of the present invention includes a sound wave transceiver (sensor) 100, an analog-digital converter (ADC), It includes a speed estimation unit 300, an artificial neural network 400, and a control unit (MCU) 500.
상기 음파 송수신부(센서)(100)는 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신한다.The sound wave transmitting and receiving unit (sensor) 100 transmits a sound wave signal to the road surface of which the type is to be determined and then receives a reflected signal.
상기 음파 송수신부(센서)(100)는 상기 제어부(500)의 제어에 따라 송신 신호를 출력하는 음파 송신기(101), 및 상기 송신 신호가 임의의 면에 반사되어 되돌아오는 반사 신호를 수신하는 음파 수신기(102)를 포함한다.The sound wave transmitting and receiving unit (sensor) 100 includes a sound wave transmitter 101 that outputs a transmission signal under the control of the control unit 500, and a sound wave receiving a reflected signal returned after the transmission signal is reflected on an arbitrary surface. Includes a receiver 102.
상기 아날로그디지털변환기(200)는 상기 수신한 신호의 아날로그 신호를 디지털 신호로 변환한다.The analog-to-digital converter 200 converts the analog signal of the received signal into a digital signal.
상기 속도추정부(300)는 상기 변환된 디지털 신호를 처리하여 상기 이동체의 속도를 추정The speed estimation unit 300 processes the converted digital signal to estimate the speed of the moving object.
상기 인공신경망(400)은 상기 보정된 디지털 신호 및 상기 추정한 이동체의 속도를 입력 신호로 하고, 학습된 노면분류모델에 기반하여 상기 입력 신호를 분류하여 상기 노면의 종류를 추정한다.The artificial neural network 400 uses the corrected digital signal and the estimated speed of the moving object as input signals, classifies the input signal based on a learned road surface classification model, and estimates the type of the road surface.
한편, 상기 인공신경망(400)에서는 의사결정트리(decision trees), 선형판별분석(discriminant analysis), 로지스틱 회귀 분류기(logistic regression classifiers), 나이브 베이즈 분류기(Naive Bayes classifier), 서포트 벡터 머신(support vector machine), 최근접 이웃 분류기(nearest neighbor classifiers), 앙상블 분류기(ensemble classifiers)중 적어도 하나 이상을 이용하여 분류 및 학습한다.Meanwhile, the artificial neural network 400 uses decision trees, linear discriminant analysis, logistic regression classifiers, Naive Bayes classifier, and support vector machines. machine), nearest neighbor classifiers, and ensemble classifiers are used to classify and learn.
의사결정트리(decision trees)는 Fine tree, Medium tree, Coarse tree, All tree, Optimizable tree를 포함하고, 선형판별분석(discriminant analysis)은 Linear discriminant, Quadratic discriminant, All discriminants, Optimizable discriminant를 포함하고, 나이브 베이즈 분류기(Naive Bayes classifier)는 Gaussian Naive Bayes, Kernel Naive Bayes, All Naive Bayes, Optimizable Naive Bayes를 포함하고, 서포트 벡터 머신(support vector machine, SVM)은 Linear SVM, Quadratic SVM, Cubic SVM, Fine Gaussian SVM, Medium Gaussian SVM, Coarse Gaussian SVM, All SVM, Optimizable SVM을 포함하고, 최근접 이웃 분류기(nearest neighbor classifiers)는 Fine KNN, Medium KNN, Coarse KNN, Cosine KNN, Cubic KNN, Weighted KNN, All KNN, Optimizable KNN을 포함하고, 앙상블 분류기(ensemble classifiers)는 Boosted trees, Bagged trees, Subspace Discriminant, Subspace KNN, RUSBoosted trees, All Ensembles, Optimizable Ensemble을 포함한다.Decision trees include Fine tree, Medium tree, Coarse tree, All tree, and Optimizable tree, and linear discriminant analysis includes Linear discriminant, Quadratic discriminant, All discriminants, Optimizable discriminant, and Naive Bayes classifiers include Gaussian Naive Bayes, Kernel Naive Bayes, All Naive Bayes, and Optimizable Naive Bayes, and support vector machines (SVMs) include Linear SVM, Quadratic SVM, Cubic SVM, and Fine Gaussian. It includes SVM, Medium Gaussian SVM, Coarse Gaussian SVM, All SVM, and Optimizable SVM, and nearest neighbor classifiers include Fine KNN, Medium KNN, Coarse KNN, Cosine KNN, Cubic KNN, Weighted KNN, All KNN, Includes Optimizable KNN, and ensemble classifiers include Boosted trees, Bagged trees, Subspace Discriminant, Subspace KNN, RUSBoosted trees, All Ensembles, and Optimizable Ensemble.
상기 제어부(MCU)(500)는 상기 음파 송수신부(100), 상기 아날로그디지털변환기(200), 속도추정부(300) 및 상기 인공신경망(400)의 동작을 제어한다.The control unit (MCU) 500 controls the operations of the sound wave transceiver 100, the analog-to-digital converter 200, the speed estimation unit 300, and the artificial neural network 400.
상기 아날로그디지털변환기(200), 속도추정부(300) 및 상기 인공신경망(400)은 프로그램으로 구현된 소프트웨어를 구성요소로서 표현한 것이다.The analog-to-digital converter 200, the speed estimation unit 300, and the artificial neural network 400 are expressed as components of software implemented as a program.
한편, 도면에 도시되지는 않았지만, 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치는 상기 학습된 노면분류모델 및 상기 프로그램으로 구현된 소프트웨어가 저장되는 저장소(메모리)를 포함한다. 상기 저장소(메모리)는 상기 제어부(MCU)(500)에 포함되어 구성될 수도 있다.Meanwhile, although not shown in the drawing, the road surface type estimation device using speed estimation of a moving object according to the present invention includes a storage (memory) in which the learned road surface classification model and software implemented by the program are stored. The storage (memory) may be included in the control unit (MCU) 500.
한편, 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치는 대기중의 온도, 습도 및 기압을 측정할 수 있는 대기정보측정부(미도시)를 더 포함한다.Meanwhile, the road surface type estimation device using speed estimation of a moving object according to the present invention further includes an atmospheric information measuring unit (not shown) capable of measuring temperature, humidity, and atmospheric pressure in the atmosphere.
상기 제어부(500)의 제어에 따라, 상기 대기정보측정부(미도시)에서 측정한 상기 온도, 습도 및 기압을 포함하는 대기 정보가 상기 속도추정부(300)에서 사용될 수 있으며, 상기 인공신경망(400)의 입력으로 전달될 수도 있다.Under the control of the control unit 500, atmospheric information including the temperature, humidity and atmospheric pressure measured by the atmospheric information measuring unit (not shown) can be used in the speed estimating unit 300, and the artificial neural network ( 400) may also be passed as input.
도 2는 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서 도플러 효과를 설명하기 위한 도면이고, 도 3은 이동체의 속도에 따른 음파 송수신 신호의 주파수 변화를 설명하기 위한 그래프이다.FIG. 2 is a diagram illustrating the Doppler effect in a road surface type estimation device using speed estimation of a moving object according to an embodiment of the present invention, and FIG. 3 is a graph illustrating the change in frequency of a sound wave transmission/reception signal according to the speed of a moving object. am.
도 2에 도시된 바와 같이, 이동체(차량)에 노면 분류 장치가 장착되어 있으며, 센서(도면에서 T/R로 표시됨)가 차량의 앞쪽에 구비된 것으로 도시되어 잇다.As shown in FIG. 2, a road classification device is mounted on a moving object (vehicle), and a sensor (indicated as T/R in the drawing) is shown as being provided at the front of the vehicle.
센서가 장착되어 이동체의 주행 중 노면 분류를 수행하게 될 때, 이동체의 속도(vc)가 커질수록 도플러 효과에 의해 원래 송신 주파수(ft)와 수신되는 신호의 주파수들(fr1 및 fr2) 간의 주파수 차이가 커지게 된다.When a sensor is installed to perform road surface classification while a moving object is running, as the speed of the moving object (v c ) increases, the original transmission frequency (f t ) and the frequencies of the received signal (f r1 and f r2 ) increase due to the Doppler effect. ) the frequency difference between them increases.
도 3에 도시된 그래프를 참고하면, 중간에 ft가 송신 음파의 주파수이고, fr1 는 상기 이동체의 주행 방향을 기준으로 상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수이고, fr2 는 상기 이동체의 주행 방향을 기준으로 상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수이다. 여기서는, ft를 40kHz 로 했을 때의 그래프이며, fr1 은 약 38 kHz, fr2는 약 42 KHz 라고 볼 수 잇다.Referring to the graph shown in FIG. 3, f t in the middle is the frequency of the transmitted sound wave, f r1 is the frequency of the reflected wave returning after hitting the road surface behind the center of the sensor based on the traveling direction of the moving object, and f r2 is the frequency of the reflected wave that hits the road surface behind the center of the sensor and returns based on the moving direction of the moving object. Here, it is a graph when f t is set to 40 kHz, and f r1 can be seen as approximately 38 kHz and f r2 as approximately 42 KHz.
여기서, fr1 및 fr2를 포함하는 두 가지의 주파수를 가지게 되는 이유는 음파가 지향각이 있기 때문이다.Here, the reason there are two frequencies including f r1 and f r2 is because the sound wave has a beam angle.
즉, 이동체의 속도가 커지면, 수신 신호의 왜곡이 심해져 노면 분류하는데 있어 이동체의 속도를 고려해줄 필요가 있다. 그런데, 이동체의 속도를 바로 알 수 없는 경우, 도플러 효과를 이용하여 이동체의 속도를 추정할 수 있다.In other words, as the speed of the moving object increases, the distortion of the received signal becomes more severe, so it is necessary to consider the speed of the moving object when classifying the road surface. However, if the speed of the moving object is not immediately known, the speed of the moving object can be estimated using the Doppler effect.
이하, 하기 <수학식 1> 내지 <수학식 4> 를 참조하여, 상기 속도추정부(300)에서 수신된 음파 신호를 이용하여 이동체의 속도를 계산(추정)하는 과정을 설명하기로 한다.Hereinafter, with reference to <Equation 1> to <Equation 4> below, the process of calculating (estimating) the speed of a moving object using the sound wave signal received by the speed estimation unit 300 will be described.
먼저, 다음과 같이 변수를 설정할 수 있다.First, you can set variables as follows.
c: 음속 (speed of sound)c: speed of sound
vc : 이동체의 속도v c : speed of moving object
ft : 센서(음파송수신기)에서 송신되는 음파 신호의 주파수f t : Frequency of the sound wave signal transmitted from the sensor (sound wave transmitter/receiver)
fr1 : 음파 신호의 지향각이 있으므로, 이동체를 기준으로, 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수f r1 : Since there is a beam angle of the sound wave signal, the frequency of the reflected wave hitting the road surface behind the center of the sensor and returning based on the moving object
fr2 : 음파 신호의 지향각이 있으므로, 이동체를 기준으로, 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수f r2 : Since there is a beam angle of the sound wave signal, the frequency of the reflected wave that hits the road ahead of the center of the sensor and returns based on the moving object
ToF : 센서(음파송수신기)에서 송신되는 음파 신호의 비행시간(Time of Flight)ToF: Time of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter/receiver)
DoF : 센서(음파송수신기)에서 송신되는 음파 신호의 비행거리 (Distance of Flight)DoF: Distance of flight of the sound wave signal transmitted from the sensor (sound wave transmitter/receiver)
θ : 수신되는 음파 신호(반사파)의 수신 각도 (signal receiving angle)θ: Signal receiving angle of the received sound wave signal (reflected wave)
상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수(fr1)는 하기 <수학식 1>을 이용하여 계산된다.The frequency (f r1 ) of the reflected wave hitting the road surface behind the center of the sensor and returning is calculated using Equation 1 below.
[수학식 1][Equation 1]
여기서, 'c - vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 뒤쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c + vc' 는 센서의 중심보다 뒤쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.Here, 'c - v c ' is the speed of the sound wave reflected and returned from the road surface behind the center of the sensor, which is felt from the moving object, and 'c + v c ' is the speed of the sound wave transmitted from the sensor, which is felt from the road surface behind the center of the sensor. It is the speed of sound waves.
한편, 상기 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수(fr2)는 하기 <수학식 2>를 이용하여 계산된다.Meanwhile, the frequency (f r2 ) of the reflected wave hitting the road surface in front of the center of the sensor and returning is calculated using Equation 2 below.
[수학식 2][Equation 2]
여기서, 'c + vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 앞쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c - vc' 는 센서의 중심보다 앞쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.Here, 'c + v c ' is the speed of the sound wave reflected and returned by the road surface ahead of the center of the sensor, which is felt from the moving object, and 'c - v c ' is the speed of the sound wave transmitted from the sensor, which is felt from the road surface ahead of the center of the sensor. It is the speed of sound waves.
그러면, 음파의 속도 (vc)는 하기 <수학식 3>을 이용하여 계산할 수 있다.Then, the speed of the sound wave (v c ) can be calculated using Equation 3 below.
[수학식 3][Equation 3]
여기서, ft 는 이미 알고 있는 센서(음파송수신기)에서 송신되는 음파 신호의 주파수이며, fr1 및 fr2 는 수신된 음파 신호를 푸리에 변환(FFT: Fast Fourier Transform)하여 획득한다.Here, f t is the frequency of the sound wave signal transmitted from a known sensor (sound wave transmitter and receiver), and f r1 and f r2 are obtained by Fourier transforming (FFT: Fast Fourier Transform) the received sound wave signal.
따라서, 반사파의 수신 각도 θ는 하기 <수학식 4>를 이용하여 계산할 수 있다.Therefore, the reception angle θ of the reflected wave can be calculated using Equation 4 below.
[수학식 4][Equation 4]
여기서, ToF는 센서(음파송수신기)에서 송신되는 음파 신호의 비행시간(Time of Flight)이고, DoF는 센서(음파송수신기)에서 송신되는 음파 신호의 비행거리 (Distance of Flight)이다.Here, ToF is the Time of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter and receiver), and DoF is the Distance of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter and receiver).
도 4a 내지 4b는 차량의 속도에 대한 학습 데이터를 설명하기 위한 도면들이다.Figures 4A and 4B are diagrams for explaining learning data about vehicle speed.
본 발명에서는 이동체의 속도를 인공신경망의 입력으로 사용하므로, 동일한 송신 신호를 전송하더라도 이동체(차량)의 속도에 따라 수신 신호가 달라져서 다른 형태의 신호를 수신하게 된다. 따라서, 이를 위해, 이동체(차량)의 속도에 따라 수신한 신호를 데이터화하여 해당 신호로 신경망을 학습시켜야 한다.In the present invention, the speed of the moving object is used as an input to the artificial neural network, so even if the same transmission signal is transmitted, the received signal varies depending on the speed of the moving object (vehicle), so a different type of signal is received. Therefore, for this purpose, the signals received according to the speed of the moving object (vehicle) must be converted into data and the neural network must be trained with the corresponding signals.
예를 들어, 도 4a는 이동체(차량)의 속도가 10km/h 이하인 경우의 학습 데이터이고, 도 4b는 이동체(차량)의 속도가 10km/h 초과이고 30km/h 이하인 경우의 학습 데이터이고, 도 4c는 이동체(차량)의 속도가 30km/h 초과이고 50km/h 이하인 경우의 학습 데이터이고, 도 4b는 이동체(차량)의 속도가 50km/h 초과인 경우의 학습 데이터이다.For example, FIG. 4A is learning data when the speed of the moving object (vehicle) is 10 km/h or less, and FIG. 4B is learning data when the speed of the moving object (vehicle) is greater than 10 km/h and less than 30 km/h, and FIG. 4c is learning data when the speed of the moving object (vehicle) is greater than 30 km/h and less than 50 km/h, and Figure 4b is learning data when the speed of the moving object (vehicle) is greater than 50 km/h.
본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법의 학습 단계에서는, 재질마다 속도별로 다수의 수신 신호를 학습시킬 수 있다.In the learning step of the road surface type estimation method using speed estimation of a moving object according to the present invention, a plurality of received signals can be learned for each material and speed.
도 5는 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서의 인공신경망의 일실시예 구성도이다.Figure 5 is a configuration diagram of an embodiment of an artificial neural network in a road surface type estimation device using speed estimation of a moving object according to the present invention.
도 5에 도시된 바와 같이, 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서의 인공신경망(400)은 신호 변환기(410) 및 신경망(420)을 포함한다.As shown in FIG. 5, the artificial neural network 400 in the road surface type estimation device using speed estimation of a moving object according to the present invention includes a signal converter 410 and a neural network 420.
상기 신호 변환기(410)는 상기 수신한 신호의 시간 도메인 상의 기설정 영역에 대하여 주파수 변환을 수행하여 주파수 도메인 신호를 획득한다.The signal converter 410 obtains a frequency domain signal by performing frequency conversion on a preset region in the time domain of the received signal.
상기 신호 변환기(410)는 STFT(Short-Time Fourier Transform) 변환기, FFT(Fast Fourier Transform), 캡스트럼(cepstrum), 또는 웨이브렛 변환기(wavelet transform)가 될 수도 있다. 상기 주파수 도메인 신호는 2D 또는 3D 일 수 있다.The signal converter 410 may be a Short-Time Fourier Transform (STFT) transformer, Fast Fourier Transform (FFT), cepstrum, or wavelet transformer. The frequency domain signal may be 2D or 3D.
상기 신경망(420)은 상기 주파수 도메인 신호를 입력 신호로 하고, 학습된 노면분류모델에 기반하여 상기 입력 신호의 특성을 추출하고, 분류하여 상기 노면의 종류를 추정한다.The neural network 420 uses the frequency domain signal as an input signal, extracts characteristics of the input signal based on a learned road surface classification model, classifies it, and estimates the type of the road surface.
상기 신경망(420)은, 입력 레이어(401), 다수의 은닉 레이어(402) 및 출력 레이어(403)를 포함하는 다층 퍼셉트론(Multi-Layer Perceptron) 알고리즘의 심층 신경망(DNN : Deep Neural Network)이다.The neural network 420 is a deep neural network (DNN) of the multi-layer perceptron algorithm including an input layer 401, multiple hidden layers 402, and an output layer 403.
한편, 상기 신경망(420)의 구조는 상기 언급한 DNN에 한정되지 않는다.Meanwhile, the structure of the neural network 420 is not limited to the above-mentioned DNN.
상기 입력 레이어(401)는 상기 주파수 도메인 신호의 데이터를 플랫튼시켜 1D로 입력받는다.The input layer 401 flattens the data of the frequency domain signal and receives it as 1D input.
상기 입력 레이어(401)로 입력되는 데이터는 다수의 은닉 레이어(402)를 통해 특성 추출 및 분류된다.Data input to the input layer 401 is characterized by extraction and classification through a plurality of hidden layers 402.
상기 출력 레이어(403)는 학습한 노면의 각 종류 대한 확률값을 출력한다.The output layer 403 outputs probability values for each type of road surface learned.
상기 신경망(420)은 소프트맥스(404)를 이용하여, 상기 출력 레이어(403)로부터 출력되는 확률값들 중에서 가장 높은 확률을 가지는 노면의 종류를 결정하여 출력한다.The neural network 420 uses the softmax 404 to determine and output the type of road surface with the highest probability among the probability values output from the output layer 403.
또한, 상기 신경망(420)은, 상기 속도추정부(300)에서 추정한 이동체의 속도(vc)를 상기 입력 레이어(401)의 입력으로 사용할 수 있다.Additionally, the neural network 420 may use the speed (v c ) of the moving object estimated by the speed estimation unit 300 as an input to the input layer 401.
한편, 상기 신경망(420)은, 대기 정보(온도, 습도, 기압 정보)를 전달받아 상기 입력 레이어(401)의 입력으로도 사용할 수 있다.Meanwhile, the neural network 420 can receive atmospheric information (temperature, humidity, and atmospheric pressure information) and use it as input to the input layer 401.
또한, 상기 신경망(420)은, 상기 노면으로 송신한 음파 신호(201)를 주파수 변환하여 상기 입력 레이어(401)의 입력으로도 사용할 수 있다.In addition, the neural network 420 can frequency convert the sound wave signal 201 transmitted to the road surface and use it as an input to the input layer 401.
도 6은 본 발명의 일 실시예에 따른 음파를 이용한 노면 종류 추정 장치에서 신호 변환기를 설명하기 위한 도면이다.Figure 6 is a diagram for explaining a signal converter in a road surface type estimation device using sound waves according to an embodiment of the present invention.
도 6에서는 신호 변환기(410)로 STFT 변환기를 사용한 것을 예로 들어 설명하기로 한다.In FIG. 6 , an STFT converter is used as the signal converter 410 as an example.
도 6에 도시된 바와 같이, STFT 변환기는 음파 수신기(102)에서 수신한 반사 신호 중 음파 송신기(101)가 송신한 음파 신호의 크로스톡 신호는 제외하고, 전송지연 이후에 수신한 기설정 시간 동안의 신호(411)에 대하여 쇼트타임푸리에변환(Short-Time Fourier Transform)하여 스펙트로그램(412)을 획득한다.As shown in FIG. 6, the STFT converter excludes the crosstalk signal of the sound wave signal transmitted by the sound wave transmitter 101 among the reflected signals received from the sound wave receiver 102, and during the preset time received after the transmission delay. A spectrogram 412 is obtained by performing short-time Fourier transform on the signal 411.
1주기 동안의 신호에 대하여 푸리에 변환을 수행할 수도 있고, 다주기 동안의 수신 신호에 대하여 푸리에 변환을 수행할 수도 있다.Fourier transform may be performed on a signal for one cycle, or Fourier transform may be performed on a received signal for multiple cycles.
본 발명에서는 음향 임피던스와 표면 거칠기 정보 등을 이용하여 재질을 구분한다. 그런데, 음향 임피던스는 상수가 아니라 음파가 진동하는 주파수마다 그 값이 달라진다. 따라서 주파수 도메인에서의 분석이 필요하다. 타임 도메인의 수신 신호를 주파수 도메인 신호로 변환하기 위한 여러 가지 방법 중 한 가지 방법인 푸리에변환(Time Fourier Transform)을 사용할 수 있는데, 매 시간(샘플링 시간)마다의 FFT를 확인하기 위해 쇼트타임푸리에변환(Short-Time Fourier Transform)를 사용한다.In the present invention, materials are classified using acoustic impedance and surface roughness information. However, acoustic impedance is not a constant, but its value changes depending on the frequency at which the sound wave vibrates. Therefore, analysis in the frequency domain is necessary. You can use the Time Fourier Transform, which is one of several methods to convert a received signal in the time domain into a frequency domain signal. Short-time Fourier Transform is used to check the FFT at each time (sampling time). (Short-Time Fourier Transform) is used.
또한, 쇼트타임푸리에변환(Short-Time Fourier Transform) 뿐만 아니라 웨이브렛(Wavelet) 등을 사용하여 주파수 분석이 가능하며, 본 발명에서는 계산량을 줄이는 동시에 충분한 데이터를 확보하기 위해 STFT를 이용하는 것으로 설명하였다.In addition, frequency analysis is possible using not only Short-Time Fourier Transform but also Wavelet, and the present invention explains that STFT is used to secure sufficient data while reducing the amount of calculation.
쇼트타임푸리에변환(STFT)은 기존 푸리에 변환에서 해결하지 못했던 시간에 대한 변화를 고려하기 위해 고안된 방법이다. STFT는 시간에 따라 변화하는 긴 신호를 짧은 시간 단위로 분할한 다음에 푸리에 변환을 적용하는 것이다.Short-time Fourier transform (STFT) is a method designed to consider changes in time that could not be resolved in the existing Fourier transform. STFT divides a long signal that changes with time into short time units and then applies Fourier transform.
그러나 STFT도 단점은 존재한다. 신호를 윈도우 길이(Window length)에 따라서 분리시키기 때문에 푸리에 변환에 사용되는 신호의 길이를 감소시키고 이에 따라 주파수의 해상도(Resolution)가 악화된다. 그렇다고 윈도우 길이(Window length)를 증가시켜 주파수의 해상도를 향상시켜도 시간 해상도(Resolution)는 반대로 악화된다. 이러한 주파수와 시간의 트레이드 오프(Trade off) 관계로 인한 해상도의 한계를 극복하기 위해 웨이브렛 변환(Wavelet Transform)이 등장했다.However, STFT also has disadvantages. Since the signal is separated according to the window length, the length of the signal used in the Fourier transform is reduced and the frequency resolution is deteriorated accordingly. However, even if the frequency resolution is improved by increasing the window length, the time resolution deteriorates. Wavelet Transform emerged to overcome the limitations in resolution caused by this trade-off relationship between frequency and time.
STFT에서 Window length가 정해져 있었다면, WT은 Window length를 바꿔가면서 여러번 STFT를 하는 것이다. 또한, STFT에서 기본함수로서 시간적으로 무한대로 확장되는 사인곡선을 사용한다면, 웨이브렛은 유한기간동안 존재하는 여러 종류의 함수가 있다. 웨이블릿 함수로는 Morlet, Daubechies, Coiflets, Biorthogonal, Mexican Hat, 및 Symlets 등이 있다.If the window length is fixed in STFT, WT performs STFT several times while changing the window length. Additionally, if STFT uses a sinusoid that extends infinitely in time as the basic function, wavelets have several types of functions that exist for a finite period of time. Wavelet functions include Morlet, Daubechies, Coiflets, Biorthogonal, Mexican Hat, and Symlets.
도 7은 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 장치에서 인공신경망의 다른 실시예 구성도이다.Figure 7 is a configuration diagram of another embodiment of an artificial neural network in a road surface type estimation device using speed estimation of a moving object according to the present invention.
도 7에 도시된 바와 같이, 인공신경망(400)은, 컨벌루션 수행부(501), 전달 레이어(502), 다수의 은닉 레이어(503) 및 출력 레이어(504)를 포함하는 다층 퍼셉트론(Multi-Layer Perceptron) 알고리즘의 심층 컨벌루션 신경망(DCNN : Deep Convolution Neural Network)이다.As shown in FIG. 7, the artificial neural network 400 is a multi-layer perceptron (Multi-Layer) including a convolution performance unit 501, a transfer layer 502, multiple hidden layers 503, and an output layer 504. It is a deep convolutional neural network (DCNN) of the Perceptron algorithm.
상기 컨벌루션 수행부(501)는 전달받은 디지털 입력 신호에 대해 1D 컨벌루션 연산을 다회 진행하며, 각 컨벌루션 연산마다 배치정규화(Batch Normalization), 렐루(Relu) 함수, 및 맥스풀링(MaxPooling)함수를 수행하고, 마지막 컨벌루션 연산의 출력은 플랫튼된 데이터를 상기 전달 레이어(502)로 출력한다.The convolution performing unit 501 performs a 1D convolution operation multiple times on the received digital input signal, and performs batch normalization, Relu function, and MaxPooling function for each convolution operation. , the output of the last convolution operation outputs flattened data to the transfer layer 502.
상기 전달 레이어(502)는 상기 컨벌루션 수행부(501)의 플랫튼된 출력 데이터를 1D로 입력받는다.The transfer layer 502 receives the flattened output data of the convolution performing unit 501 in 1D.
상기 전달 레이어(502)로 입력되는 데이터는 다수의 은닉 레이어(503)를 통해 특성 추출 및 분류된다.Data input to the transmission layer 502 is characterized by extraction and classification through a plurality of hidden layers 503.
상기 출력 레이어(504)는 학습한 노면의 각 종류 대한 확률값을 출력한다.The output layer 504 outputs probability values for each type of road surface learned.
상기 인공신경망(400)은 소프트맥스(505)를 이용하여, 상기 출력 레이어(504)로부터 출력되는 확률값들 중에서 가장 높은 확률을 가지는 노면의 종류를 결정하여 출력한다.The artificial neural network 400 uses softmax 505 to determine the type of road surface with the highest probability among the probability values output from the output layer 504 and outputs it.
또한, 상기 인공신경망(420)은, 상기 속도추정부(300)에서 추정한 이동체의 속도(vc)를 상기 컨벌루션 수행부(501) 또는 상기 전달 레이어(502)의 입력으로 사용할 수 있다.Additionally, the artificial neural network 420 may use the speed (vc) of the moving object estimated by the speed estimation unit 300 as an input to the convolution performing unit 501 or the transfer layer 502.
한편, 상기 인공신경망(400)은, 대기 정보(온도, 습도, 기압 정보)를 전달받아 상기 컨벌루션 수행부(501)의 입력으로도 사용할 수 있다.Meanwhile, the artificial neural network 400 can receive atmospheric information (temperature, humidity, and atmospheric pressure information) and use it as input to the convolution performing unit 501.
또한, 상기 인공신경망(400)은, 상기 노면으로 송신한 음파 신호(201)를 상기 컨벌루션 수행부(501)의 입력으로도 사용할 수도 있다.Additionally, the artificial neural network 400 may also use the sound wave signal 201 transmitted to the road surface as an input to the convolution performing unit 501.
도 8은 도 7의 컨벌루션 수행부의 동작을 설명하기 위한 도면이다.FIG. 8 is a diagram for explaining the operation of the convolution performance unit of FIG. 7.
도 8에 도시된 바와 같이, 도 6의 컨벌루션 수행부(501)는, 입력 신호에 대해 1D 컨벌루션 연산을 5회 진행하며, 각 컨벌루션 연산마다 배치정규화(Batch Normalization), 렐루(Relu) 함수, 및 맥스풀링(MaxPooling)함수를 수행하고, 마지막 컨벌루션 연산의 출력은 플랫튼된 데이터이다.As shown in FIG. 8, the convolution performing unit 501 of FIG. 6 performs a 1D convolution operation on the input signal five times, and for each convolution operation, batch normalization, Relu function, and The MaxPooling function is performed, and the output of the final convolution operation is flattened data.
입력 신호(601)에 대한 제1컨벌루션 수행 결과(602)는 상기 입력 신호(601)에 1D conv (64,16), BN, ReLU, 및 MP(8) 을 수행한 결과이고, 제2컨벌루션 수행 결과(603)는 상기 제1컨벌루션 수행 결과(602)에 1D conv (32,32), BN, ReLU, 및 MP(8) 을 수행한 결과이고, 제3컨벌루션 수행 결과(604)는 상기 제2컨벌루션 수행 결과(603)에 1D conv (16,64), BN, ReLU, 및 MP(8) 을 수행한 결과이고, 제4컨벌루션 수행 결과(605)는 상기 제3컨벌루션 수행 결과(604)에 1D conv (8,128), BN, 및 ReLU 를 수행한 결과이고, 제5컨벌루션 수행 결과(606)는 상기 제4컨벌루션 수행 결과(605)에 1D conv (4,2568), BN, 및 ReLU 를 수행한 결과이다.The first convolution result 602 for the input signal 601 is the result of performing 1D conv (64,16), BN, ReLU, and MP(8) on the input signal 601, and the second convolution is performed The result 603 is the result of performing 1D conv (32,32), BN, ReLU, and MP(8) on the first convolution result 602, and the third convolution result 604 is the result of performing the second convolution result 602. It is the result of performing 1D conv (16,64), BN, ReLU, and MP(8) on the convolution result (603), and the fourth convolution result (605) is the 1D convolution result (604). It is the result of performing conv (8,128), BN, and ReLU, and the fifth convolution result 606 is the result of performing 1D conv (4,2568), BN, and ReLU on the fourth convolution result 605. am.
한편, 본 발명에서는 1차원(1D) 컨볼루션 연산을 수행하는 방법을 일예로 들어 설명하였으나, 컨벌루션 연산은 1D 뿐만 아니라, 2D 및 3D도 가능하다.Meanwhile, in the present invention, a method of performing a one-dimensional (1D) convolution operation is described as an example, but convolution operation is possible not only in 1D, but also in 2D and 3D.
도 9는 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법의 일실시예 흐름도이다.Figure 9 is a flowchart of an embodiment of a road surface type estimation method using speed estimation of a moving object according to the present invention.
먼저, 본 발명에 따른 음파를 이용한 노면 종류 추정 방법을 수행하기 위해서는 먼저 제1학습단계(S10)가 선행되어 노면분류모델이 생성되어 있어야 한다.First, in order to perform the road surface type estimation method using sound waves according to the present invention, the first learning step (S10) must be preceded and a road surface classification model must be created.
상기 제1학습단계(S10)에서는, 다수 종류의 노면 및 다수의 차량 속도에 대하여, 음파 신호를 송신한 후, 반사된 신호를 수신하고 해당 신호를 디지털 신호로 변환하고, 상기 변환된 디지털 신호를 주파수 도메인 신호로 변환하고, 상기 주파수 도메인 신호를 신경망(420)에 입력하여 노면분류모델을 학습시킨다.In the first learning step (S10), after transmitting a sound wave signal for multiple types of road surfaces and multiple vehicle speeds, the reflected signal is received, the signal is converted into a digital signal, and the converted digital signal is converted into a digital signal. It is converted into a frequency domain signal, and the frequency domain signal is input to the neural network 420 to learn a road surface classification model.
여기서, 상기 제1학습단계(S10)에서, 상기 주파수 도메인 신호로 변환하기 위하여 STFT(Short-Time Fourier Transform) 변환기, FFT(Fast Fourier Transform), 캡스트럼(cepstrum), 또는 웨이브렛 변환기(wavelet transform)를 사용할 수 있다. 상기주파수 도메인 신호는 2D 또는 3D 일 수 있다.Here, in the first learning step (S10), a Short-Time Fourier Transform (STFT) transformer, Fast Fourier Transform (FFT), cepstrum, or wavelet transformer is used to convert the frequency domain signal. ) can be used. The frequency domain signal may be 2D or 3D.
이후, 제어부(500)의 제어에 따라, 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신한다(S20).Thereafter, under the control of the control unit 500, a sound wave signal is transmitted to the road surface of which the type is to be determined, and then the reflected signal is received (S20).
이후, 상기 제어부(500)의 제어에 따라, 상기 수신한 신호의 기설정 영역에 대하여 아날로그 신호를 디지털 신호로 변환한다(S30).Thereafter, under the control of the control unit 500, the analog signal is converted into a digital signal for the preset area of the received signal (S30).
상기 신호변환단계(S30)에서는, 상기 수신한 신호에서, 상기 송신한 음파 신호의 크로스톡 신호는 제외하고, 상기 음파 신호의 주기마다, 전송지연 이후에 수신한 신호의 진폭이 가장 큰 지점을 기준으로 기설정 시간 동안의 신호에 대하여 디지털 신호로 변환한다.In the signal conversion step (S30), in the received signal, excluding the crosstalk signal of the transmitted sound wave signal, the point at which the amplitude of the signal received after the transmission delay is greatest is referenced for each period of the sound wave signal. Converts the signal for a preset time into a digital signal.
예를 들어, 전송 지연 이후에 수신한 신호의 진폭이 가장 큰 시점을 t_0라 할 때, t_0 - a [ms] 부터 t_0 + b [ms] 까지 총 (a+b) ms를 관찰 할 수 있으며, 환경이나 조건에 따라 a 와 b는 조절이 가능하다.For example, if t_0 is the point in time when the amplitude of the received signal after the transmission delay is highest, a total of (a+b) ms can be observed from t_0 - a [ms] to t_0 + b [ms], a and b can be adjusted depending on the environment or conditions.
이후, 상기 제어부의 제어에 따라, 상기 디지털 신호룰 이용하여 이동체의 속도를 추정한다(S40).Thereafter, under the control of the controller, the speed of the moving object is estimated using the digital signal (S40).
상기 이동체속도추정단계(S40)에서는, 하기 <수학식 1> 내지 <수학식 4>를 이용하여 이동체의 속도를 추정한다.In the moving object speed estimation step (S40), the speed of the moving object is estimated using Equation 1 to Equation 4 below.
먼저, 다음과 같이 변수를 설정할 수 있다.First, you can set variables as follows.
c: 음속 (speed of sound)c: speed of sound
vc : 이동체의 속도v c : speed of moving object
ft : 센서(음파송수신기)에서 송신되는 음파 신호의 주파수f t : Frequency of the sound wave signal transmitted from the sensor (sound wave transmitter/receiver)
fr1 : 음파 신호의 지향각이 있으므로, 이동체를 기준으로, 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수f r1 : Since there is a beam angle of the sound wave signal, the frequency of the reflected wave that hits the road behind the center of the sensor and returns based on the moving object
fr2 : 음파 신호의 지향각이 있으므로, 이동체를 기준으로, 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수f r2 : Since there is a beam angle of the sound wave signal, the frequency of the reflected wave that hits the road ahead of the center of the sensor and returns based on the moving object
ToF : 센서(음파송수신기)에서 송신되는 음파 신호의 비행시간(Time of Flight)ToF: Time of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter/receiver)
DoF : 센서(음파송수신기)에서 송신되는 음파 신호의 비행거리 (Distance of Flight)DoF: Distance of flight of the sound wave signal transmitted from the sensor (sound wave transmitter/receiver)
θ : 수신되는 음파 신호(반사파)의 수신 각도 (signal receiving angle)θ: Signal receiving angle of the received sound wave signal (reflected wave)
상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수(fr1)는 하기 <수학식 1>을 이용하여 계산된다.The frequency (f r1 ) of the reflected wave hitting the road surface behind the center of the sensor and returning is calculated using Equation 1 below.
[수학식 1][Equation 1]
여기서, 'c - vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 뒤쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c + vc' 는 센서의 중심보다 뒤쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.Here, 'c - v c ' is the speed of the sound wave reflected and returned from the road surface behind the center of the sensor, which is felt from the moving object, and 'c + v c ' is the speed of the sound wave transmitted from the sensor, which is felt from the road surface behind the center of the sensor. It is the speed of sound waves.
한편, 상기 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수(fr2)는 하기 <수학식 2>를 이용하여 계산된다.Meanwhile, the frequency (f r2 ) of the reflected wave hitting the road surface in front of the center of the sensor and returning is calculated using Equation 2 below.
[수학식 2][Equation 2]
여기서, 'c + vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 앞쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c - vc' 는 센서의 중심보다 앞쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.Here, 'c + v c ' is the speed of the sound wave reflected and returned by the road surface ahead of the center of the sensor, which is felt from the moving object, and 'c - v c ' is the speed of the sound wave transmitted from the sensor, which is felt from the road surface ahead of the center of the sensor. It is the speed of sound waves.
그러면, 음파의 속도 (vc)는 하기 <수학식 3>을 이용하여 계산할 수 있다.Then, the speed of the sound wave (v c ) can be calculated using Equation 3 below.
[수학식 3][Equation 3]
여기서, ft 는 이미 알고 있는 센서(음파송수신기)에서 송신되는 음파 신호의 주파수이며, fr1 및 fr2 는 수신된 음파 신호를 푸리에 변환(FFT: Fast Fourier Transform)하여 획득할 수 있다.Here, f t is the frequency of the sound wave signal transmitted from a known sensor (sound wave transmitter and receiver), and f r1 and f r2 can be obtained by performing Fourier Transform (FFT: Fast Fourier Transform) on the received sound wave signal.
따라서, 반사파의 수신 각도 θ는 하기 <수학식 4>를 이용하여 계산할 수 있다.Therefore, the reception angle θ of the reflected wave can be calculated using Equation 4 below.
[수학식 4][Equation 4]
여기서, ToF는 센서(음파송수신기)에서 송신되는 음파 신호의 비행시간(Time of Flight)이고, DoF는 센서(음파송수신기)에서 송신되는 음파 신호의 비행거리 (Distance of Flight)이다.Here, ToF is the Time of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter and receiver), and DoF is the Distance of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter and receiver).
이후, 상기 제어부(500)의 제어에 따라, 상기 디지털 신호에 대한 신호 변환을 수행하여 주파수 도메인 신호를 획득한다(S50).Thereafter, under the control of the control unit 500, signal conversion is performed on the digital signal to obtain a frequency domain signal (S50).
상기 주파수도메인신호획득단계(S50)에서는, 신호 변환기(410)에서 상기 디지털 신호를 주파수 변환하여 상기 주파수 도메인 신호를 획득한다.In the frequency domain signal acquisition step (S50), the signal converter 410 performs frequency conversion on the digital signal to obtain the frequency domain signal.
이후, 상기 제어부(500)의 제어에 따라, 상기 주파수 도메인 신호 및 상기 추정한 이동체의 속도(vc)를 신경망(420)의 입력 신호로 하고, 학습된 노면분류모델에 기반하여, 상기 입력 신호의 특성을 추출하고, 분류하여 상기 노면의 종류를 결정한다(S60).Thereafter, under the control of the control unit 500, the frequency domain signal and the estimated speed (v c ) of the moving object are used as input signals of the neural network 420, and based on the learned road surface classification model, the input signal The characteristics of are extracted and classified to determine the type of the road surface (S60).
상기 신경망(420)은, 입력 레이어(401), 다수의 히든 레이어(402) 및 출력 레이어(403)를 포함하는 다층 퍼셉트론(Multi-Layer Perceptron) 알고리즘의 심층 신경망(DNN : Deep Neural Network)이며, 상기 출력 레이어(403)는, 학습한 노면의 각 종류에 대한 확률값을 출력하고, 상기 신경망은, 소프트맥스(softmax)(404)를 이용하여, 가장 높은 확률을 가지는 노면의 종류를 결정하여 출력한다.The neural network 420 is a deep neural network (DNN) of the multi-layer perceptron algorithm including an input layer 401, multiple hidden layers 402, and an output layer 403, The output layer 403 outputs probability values for each type of road surface learned, and the neural network uses softmax 404 to determine and output the type of road surface with the highest probability. .
한편, 상기 신경망(420)의 구조는 상기 언급한 DNN에 한정되지 않는다.Meanwhile, the structure of the neural network 420 is not limited to the above-mentioned DNN.
상기 신경망(420)은, 대기 정보(온도, 습도, 기압 정보)를 전달받아 상기 입력 레이어(401)의 입력으로도 사용할 수 있다.The neural network 420 can receive atmospheric information (temperature, humidity, and atmospheric pressure information) and use it as input to the input layer 401.
또한, 상기 신경망(420)은, 상기 노면으로 송신한 음파 신호를 주파수 변환하여 상기 입력 레이어(401)의 입력으로도 사용할 수 있다.Additionally, the neural network 420 can frequency-convert the sound wave signal transmitted to the road surface and use it as an input to the input layer 401.
도 10은 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법의 다른 실시예 흐름도이다.Figure 10 is a flowchart of another embodiment of a road surface type estimation method using speed estimation of a moving object according to the present invention.
먼저, 본 발명에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법을 수행하기 위해서는 먼저 제2학습단계(S90)가 선행되어 노면분류모델이 생성되어 있어야 한다.First, in order to perform the road surface type estimation method using the speed estimation of the moving object according to the present invention, the second learning step (S90) must first be performed and a road surface classification model must be created.
상기 제2학습단계(S90)에서는, 다수 종류의 노면 및 다수의 차량 속도에 대하여, 음파 신호를 송신한 후, 반사된 신호를 수신하고 해당 신호를 디지털 신호로 변환하고, 상기 변환된 디지털 신호에 대하를 인공신경망(400)에 입력시켜 다회의 컨벌루션 연산을 수행하여 상기 노면분류모델을 학습시킨다.In the second learning step (S90), after transmitting a sound wave signal for multiple types of road surfaces and multiple vehicle speeds, the reflected signal is received, the signal is converted into a digital signal, and the converted digital signal is converted into a digital signal. The lobster is input into the artificial neural network 400 and multiple convolution operations are performed to learn the road surface classification model.
이후, 제어부(500)의 제어에 따라, 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신한다(S20).Thereafter, under the control of the control unit 500, a sound wave signal is transmitted to the road surface of which the type is to be determined, and then the reflected signal is received (S20).
이후, 상기 제어부(500)의 제어에 따라, 상기 수신한 신호의 기설정 영역에 대하여 아날로그 신호를 디지털 신호로 변환한다(S30).Thereafter, under the control of the control unit 500, the analog signal is converted into a digital signal for the preset area of the received signal (S30).
상기 신호변환단계(S30)에서는, 상기 수신한 신호에서, 상기 송신한 음파 신호의 크로스톡 신호는 제외하고, 상기 음파 신호의 주기마다, 전송지연 이후에 수신한 신호의 진폭이 가장 큰 지점을 기준으로 기설정 시간 동안의 신호에 대하여 디지털 신호로 변환한다.In the signal conversion step (S30), in the received signal, excluding the crosstalk signal of the transmitted sound wave signal, the point at which the amplitude of the signal received after the transmission delay is greatest is referenced for each period of the sound wave signal. Converts the signal for a preset time into a digital signal.
이후, 상기 제어부의 제어에 따라, 상기 디지털 신호룰 이용하여 이동체의 속도를 추정한다(S40).Thereafter, under the control of the controller, the speed of the moving object is estimated using the digital signal (S40).
상기 이동체속도추정단계(S40)에서는, 도 9에서 설명한 바와 동일하게 <수학식 1> 내지 <수학식 4>를 이용하여 이동체의 속도를 추청한다.In the moving object speed estimation step (S40), the speed of the moving object is estimated using Equation 1 to Equation 4 in the same manner as described in FIG. 9.
이후, 상기 제어부(500)의 제어에 따라, 상기 인공신경망(400)에서 상기 디지털 신호를 전달받아 다회의 컨벌루션 연산을 수행한다(S70).Thereafter, under the control of the control unit 500, the digital signal is received from the artificial neural network 400 and multiple convolution operations are performed (S70).
상기 컨벌루션연산단계(S70)에서는, 상기 디지털 신호에 대해 1D 컨벌루션 연산을 다회 진행하며, 각 컨벌루션 연산마다 배치정규화(Batch Normalization), 렐루(Relu) 함수, 및 맥스풀링(MaxPooling)함수를 수행하고, 마지막 컨벌루션 연산의 출력은 플랫튼된 데이터이다.In the convolution operation step (S70), a 1D convolution operation is performed on the digital signal multiple times, and batch normalization, Relu function, and MaxPooling function are performed for each convolution operation, The output of the final convolution operation is flattened data.
이후, 상기 제어부(500)의 제어에 따라, 상기 인공신경망에서 학습된 노면분류모델에 기반하여, 상기 컨벌루션 연산된 신호(플랫튼된 데이터) 및 상기 추정한 이동체의 속도의 특성을 추출하고, 분류하여 상기 노면의 종류를 결정한다(S80).Thereafter, under the control of the control unit 500, based on the road surface classification model learned in the artificial neural network, the characteristics of the convolution operation signal (flattened data) and the estimated speed of the moving object are extracted and classified. Thus, the type of the road surface is determined (S80).
상기 인공신경망(400)은, 상기 디지털 신호를 입력받아 다회의 컨벌루션 연산을 수행하는 컨벌루션 수행부(501), 전달 레이어(502), 다수의 은닉 레이어(503) 및 출력 레이어(504)를 포함하는 다층 퍼셉트론(Multi-Layer Perceptron) 알고리즘의 심층 컨벌루션 신경망(DCNN : Deep Convolution Neural Network)이며, 상기 출력 레이어(504)는, 학습한 노면의 각 종류에 대한 확률값을 출력하고, 상기 인공신경망(400)은, 소프트맥스(softmax)(505)를 이용하여, 가장 높은 확률을 가지는 노면의 종류를 결정하여 출력한다.The artificial neural network 400 includes a convolution performing unit 501 that receives the digital signal and performs multiple convolution operations, a transfer layer 502, a plurality of hidden layers 503, and an output layer 504. It is a deep convolutional neural network (DCNN) of the multi-layer perceptron algorithm, and the output layer 504 outputs probability values for each type of learned road surface, and the artificial neural network 400 Using softmax 505, the type of road surface with the highest probability is determined and output.
한편, 상기 인공신경망(400)의 구조는 상기 언급한 DCNN에 한정되지 않는다.Meanwhile, the structure of the artificial neural network 400 is not limited to the DCNN mentioned above.
상기 인공신경망(400)은, 대기 정보(온도, 습도, 기압 정보)를 전달받아 상기 컨벌루션 수행부(501)의 입력으로도 사용할 수 있다.The artificial neural network 400 can receive atmospheric information (temperature, humidity, and atmospheric pressure information) and use it as input to the convolution performing unit 501.
또한, 상기 인공신경망(400)은, 상기 노면으로 송신한 음파 신호를 상기 컨벌루션 수행부(501)의 입력으로도 사용할 수 있다.Additionally, the artificial neural network 400 can also use the sound wave signal transmitted to the road surface as an input to the convolution performing unit 501.
이상에서 본 발명의 일 실시예에 따른 이동체의 속도 추정을 이용한 노면 종류 추정 방법에 대하여 설명하였지만, 이동체의 속도 추정을 이용한 노면 종류 추정 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 및 이동체의 속도 추정을 이용한 노면 종류 추정 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 프로그램 역시 구현 가능함은 물론이다.In the above, a method for estimating a road surface type using speed estimation of a moving object according to an embodiment of the present invention has been described, but a computer-readable recording medium storing a program for implementing the method for estimating a road surface type using estimating the speed of a moving object and a moving object. Of course, a program stored in a computer-readable recording medium to implement a road surface type estimation method using speed estimation can also be implemented.
즉, 상술한 이동체의 속도 추정을 이용한 노면 종류 추정 방법은 이를 구현하기 위한 명령어들의 프로그램이 유형적으로 구현됨으로써, 컴퓨터를 통해 판독될 수 있는 기록매체에 포함되어 제공될 수도 있음을 당업자들이 쉽게 이해할 수 있을 것이다. 다시 말해, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어, 컴퓨터 판독 가능한 기록매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 상기 컴퓨터 판독 가능한 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, USB 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.In other words, those skilled in the art can easily understand that the method for estimating the type of road surface using the speed estimation of the moving object described above can be provided in a recording medium that can be read by a computer by tangibly implementing a program of commands for implementing it. There will be. In other words, it can be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and usable by those skilled in the computer software art. Examples of the computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and floptical disks. Included are magneto-optical media, and hardware devices specifically configured to store and perform program instructions, such as ROM, RAM, flash memory, USB memory, and the like. Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc. The hardware device may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 다양한 변형 실시가 가능한 것은 물론이다.The present invention is not limited to the above-described embodiments, and the scope of application is diverse. Of course, various modifications and implementations are possible without departing from the gist of the present invention as claimed in the claims.
100: 음파 송수신부
101: 음파 송신기 102: 음파 수신기
200: 아날로그디지털변환기 300: 속도추정부
400: 인공신경망
410: 신호 변환기 420: 신경망
501: 컨벌루션 수행부 502: 전달 레이어
503: 은닉 레이어 504: 출력 레이어
500: 제어부(MCU)
S10: 제1학습단계
S20: 반사파수신단계
S30: 신호변환단계
S40: 이동체속도추정단계
S50: 주파수도메인신호획득단계
S60: 제1노면종류결정단계
S70: 컨벌루션연산단계
S80: 제2노면종류결정단계
S90: 제2학습단계100: Sound wave transceiver
101: sound wave transmitter 102: sound wave receiver
200: Analog-to-digital converter 300: Speed estimation unit
400: Artificial neural network
410: signal converter 420: neural network
501: Convolution execution unit 502: Transfer layer
503: Hidden layer 504: Output layer
500: Control unit (MCU)
S10: First learning stage
S20: Reflected wave reception stage
S30: Signal conversion step
S40: Moving object speed estimation step
S50: Frequency domain signal acquisition step
S60: First road surface type determination step
S70: Convolution operation step
S80: Second road surface type determination step
S90: Second learning stage
Claims (10)
종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신하기 위한 음파 송수신부(센서)(100);
상기 수신한 신호의 아날로그 신호를 디지털 신호로 변환하기 위한 아날로그디지털변환기(200);
상기 변환된 디지털 신호를 처리하여 상기 이동체의 속도를 추정하기 위한 속도추정부(300);
상기 변환된 디지털 신호 및 상기 추정한 이동체의 속도를 입력 신호로 하고, 학습된 노면분류모델에 기반하여 상기 입력 신호들을 분류하여 상기 노면의 종류를 추정하는 인공신경망(400); 및
상기 음파 송수신부(센서), 상기 아날로그디지털변환기, 상기 속도추정부 및 상기 인공신경망의 동작을 제어하는 제어부(MCU)(500)
를 포함하는 이동체의 속도 추정을 이용한 노면 종류 추정 장치.
In a road surface type estimation device using speed estimation of a moving object,
A sound wave transmitting and receiving unit (sensor) 100 for transmitting a sound wave signal to the road surface of which the type is to be determined and then receiving the reflected signal;
An analog-to-digital converter (200) for converting the analog signal of the received signal into a digital signal;
a speed estimation unit 300 for estimating the speed of the moving object by processing the converted digital signal;
an artificial neural network 400 that uses the converted digital signal and the estimated speed of the moving object as input signals and classifies the input signals based on a learned road surface classification model to estimate the type of the road surface; and
A control unit (MCU) 500 that controls the operation of the sound wave transmitting and receiving unit (sensor), the analog-to-digital converter, the speed estimation unit, and the artificial neural network.
A road surface type estimation device using speed estimation of a moving object including.
상기 노면분류모델은,
다수 종류의 노면 및 다수의 차량 속도에 대하여 학습된 것을 특징으로 하는 이동체의 속도 추정을 이용한 노면 종류 추정 장치.
According to paragraph 1,
The road surface classification model is,
A road surface type estimation device using speed estimation of a moving object, which is characterized by learning about multiple types of road surfaces and multiple vehicle speeds.
상기 속도추정부(300)에서는,
상기 이동체의 주행 방향을 기준으로 상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수(fr1)는 하기 <수학식 1>을 이용하여 계산되고,
[수학식 1]
(여기서, c 는 음파의 속도, vc는 이동체의 속도, 'c - vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 뒤쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c + vc' 는 센서의 중심보다 뒤쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.)
상기 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수(fr2)는 하기 <수학식 2>를 이용하여 계산되고,
[수학식 2]
(여기서, 'c + vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 앞쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c - vc' 는 센서의 중심보다 앞쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.)
상기 음파의 속도 (vc)는 하기 <수학식 3>을 이용하여 계산되고,
[수학식 3]
(여기서, ft 는 상기 센서에서 송신되는 음파 신호의 주파수이다.)
상기 반사파의 수신 각도 θ는 하기 <수학식 4>를 이용하여 계산되고,
[수학식 4]
(여기서, ToF는 센서에서 송신되는 음파 신호의 비행시간(Time of Flight)이고, DoF는 센서(음파송수신기)에서 송신되는 음파 신호의 비행거리 (Distance of Flight)이다.)
상기 [수학식 1] 내지 [수학식 4]를 이용하여 상기 이동체의 속도를 추정하는 것을 특징으로 하는 이동체의 속도 추정을 이용한 노면 종류 추정 장치.
According to paragraph 1,
In the speed estimation unit 300,
Based on the traveling direction of the moving object, the frequency (f r1 ) of the reflected wave hitting the road surface behind the center of the sensor and returning is calculated using Equation 1 below,
[Equation 1]
(Here, c is the speed of the sound wave, vc is the speed of the moving object, 'c - v c ' is the speed of the sound wave reflected on the road surface behind the center of the sensor felt from the moving object, and 'c + v c ' is the speed of the sensor This is the speed of the sound wave transmitted from the sensor, which is felt from the road surface behind the center of.)
The frequency (f r2 ) of the reflected wave hitting the road surface in front of the center of the sensor and returning is calculated using Equation 2 below,
[Equation 2]
(Here, 'c + v c ' is the speed of the sound wave reflected and returned by the road surface ahead of the center of the sensor, which is felt from the moving object, and 'c - v c ' is the speed of the sound wave transmitted from the sensor, which is felt from the road surface ahead of the center of the sensor. This is the speed of the sound wave.)
The speed of the sound wave (v c ) is calculated using Equation 3 below,
[Equation 3]
(Here, f t is the frequency of the sound wave signal transmitted from the sensor.)
The reception angle θ of the reflected wave is calculated using Equation 4 below,
[Equation 4]
(Here, ToF is the Time of Flight of the sound wave signal transmitted from the sensor, and DoF is the Distance of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter and receiver).)
A road surface type estimation device using speed estimation of a moving object, characterized in that the speed of the moving object is estimated using the above [Equation 1] to [Equation 4].
상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수(fr1) 및 상기 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수(fr2)는 수신된 음파 신호를 푸리에 변환(FFT: Fast Fourier Transform)하여 획득하는 것을 특징으로 하는 이동체의 속도 추정을 이용한 노면 종류 추정 장치.
According to paragraph 3,
The frequency of the reflected wave (f r1 ), which hits the road surface behind the center of the sensor and returns, and the frequency (f r2 ) of the reflected wave, which hits the road surface ahead of the center of the sensor and returns, is the Fourier transform (FFT: Fast Fourier) of the received sound wave signal. A road surface type estimation device using speed estimation of a moving object, which is obtained by transform.
제어부의 제어에 따라, 음파 송수신부(센서)에서 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신하는 반사신호수신단계(S20);
상기 제어부의 제어에 따라, 상기 수신한 신호의 기설정 영역에 대하여 아날로그 신호를 디지털 신호로 변환하는 신호변환단계(S30);
상기 제어부의 제어에 따라, 상기 디지털 신호를 처리하여 이동체의 속도를 추정하는 이동체속도추정단계(S40);
상기 제어부의 제어에 따라, 상기 디지털 신호의 기설정 영역에 대하여 주파수 변환을 수행하여 주파수 도메인 신호를 획득하는 주파수도메인신호획득단계(S50); 및
상기 제어부의 제어에 따라, 상기 주파수 도메인 신호 및 상기 추정한 이동체의 속도를 신경망의 입력 신호로 하고, 학습된 노면분류모델에 기반하여, 상기 입력 신호의 특성을 추출하고, 분류하여 상기 노면의 종류를 결정하는 제1노면종류결정단계(S60)
를 포함하는 이동체의 속도 추정을 이용한 노면 종류 추정 방법.
In the road surface type estimation method using speed estimation of a moving object,
Under the control of the control unit, a sound wave signal is transmitted from the sound wave transmitting and receiving unit (sensor) to the road surface whose type is to be known, and then the reflected signal is received (S20);
A signal conversion step (S30) of converting an analog signal into a digital signal for a preset area of the received signal under the control of the control unit;
A moving object speed estimation step (S40) of estimating the speed of the moving object by processing the digital signal under the control of the control unit;
A frequency domain signal acquisition step (S50) of obtaining a frequency domain signal by performing frequency conversion on a preset region of the digital signal under the control of the control unit; and
Under the control of the control unit, the frequency domain signal and the estimated speed of the moving object are used as input signals of the neural network, and based on the learned road surface classification model, the characteristics of the input signal are extracted and classified to determine the type of the road surface. The first road surface type determination step (S60) to determine
A road surface type estimation method using speed estimation of a moving object including.
다수 종류의 노면 및 다수의 차량 속도에 대하여, 음파 신호를 송신한 후, 반사된 신호를 수신하고 해당 신호를 디지털 신호로 변환하고, 상기 변환된 디지털 신호를 주파수 도메인 신호로 변환하고, 상기 주파수 도메인 신호를 상기 신경망에 입력하여 상기 노면분류모델을 학습시키는 제1학습단계(S10)
를 더 포함하는 것을 특징으로 하는 이동체의 속도 추정을 이용한 노면 종류 추정 방법.
According to clause 5,
For multiple types of road surfaces and multiple vehicle speeds, after transmitting a sound wave signal, receiving a reflected signal and converting the signal into a digital signal, converting the converted digital signal into a frequency domain signal, and converting the frequency domain signal. A first learning step (S10) in which signals are input into the neural network to learn the road surface classification model.
A road surface type estimation method using speed estimation of a moving object, further comprising:
제어부의 제어에 따라, 음파 송수신부(센서)에서 종류를 알고자하는 해당 노면으로 음파 신호를 송신한 후, 반사된 신호를 수신하는 반사신호수신단계(S20);
상기 제어부의 제어에 따라, 상기 수신한 신호의 기설정 영역에 대하여 아날로그 신호를 디지털 신호로 변환하는 신호변환단계(S30);
상기 제어부의 제어에 따라, 상기 디지털 신호를 처리하여 이동체의 속도를 추정하는 이동체속도추정단계(S40);
상기 제어부의 제어에 따라, 인공신경망에서 상기 디지털 신호를 전달받아 다회의 컨벌루션 연산을 수행하는 컨벌루션연산단계(S70); 및
상기 제어부의 제어에 따라, 상기 인공신경망에서 학습된 노면분류모델에 기반하여, 상기 컨벌루션 연산된 신호 및 상기 추정한 이동체의 속도의 특성을 추출하고, 분류하여 상기 노면의 종류를 결정하는 제2노면종류결정단계(S80)
를 포함하는 이동체의 속도 추정을 이용한 노면 종류 추정 방법.
In the road surface type estimation method using speed estimation of a moving object,
Under the control of the control unit, a sound wave signal is transmitted from the sound wave transmitting and receiving unit (sensor) to the road surface whose type is to be known, and then the reflected signal is received (S20);
A signal conversion step (S30) of converting an analog signal into a digital signal for a preset area of the received signal under the control of the control unit;
A moving object speed estimation step (S40) of estimating the speed of the moving object by processing the digital signal under the control of the control unit;
A convolution operation step (S70) of receiving the digital signal from an artificial neural network and performing multiple convolution operations under the control of the control unit; and
Under the control of the control unit, based on the road surface classification model learned in the artificial neural network, the characteristics of the convolution calculated signal and the estimated speed of the moving object are extracted and classified to determine the type of the road surface. Type decision step (S80)
A road surface type estimation method using speed estimation of a moving object including.
다수 종류의 노면 및 다수의 차량 속도에 대하여, 음파 신호를 송신한 후, 반사된 신호를 수신하고 해당 신호를 디지털 신호로 변환하고, 상기 변환된 디지털 신호를 상기 인공신경망에 입력시켜 다회의 컨벌루션 연산을 수행하여 상기 노면분류모델을 학습시키는 제2학습단계(S90)
를 더 포함하는 것을 특징으로 하는 이동체의 속도 추정을 이용한 노면 종류 추정 방법.
In clause 7,
For many types of road surfaces and multiple vehicle speeds, after transmitting a sound wave signal, the reflected signal is received, the signal is converted into a digital signal, and the converted digital signal is input into the artificial neural network to perform multiple convolution calculations. The second learning step (S90) of learning the road surface classification model by performing
A road surface type estimation method using speed estimation of a moving object, further comprising:
상기 이동체속도추정단계(S40)에서는,
상기 이동체의 주행 방향을 기준으로 상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수(fr1)는 하기 <수학식 1>을 이용하여 계산되고,
[수학식 1]
(여기서, c 는 음파의 속도, vc는 이동체의 속도, 'c - vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 뒤쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c + vc' 는 센서의 중심보다 뒤쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.)
상기 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수(fr2)는 하기 <수학식 2>를 이용하여 계산되고,
[수학식 2]
(여기서, 'c + vc' 는 이동체 쪽에서 체감되는 센서의 중심보다 앞쪽 노면에 반사되어 돌아오는 음파의 속도이고, 'c - vc' 는 센서의 중심보다 앞쪽 노면에서 체감되는, 센서에서 송신되는 음파의 속도이다.)
상기 음파의 속도 (vc)는 하기 <수학식 3>을 이용하여 계산되고,
[수학식 3]
(여기서, ft 는 상기 센서에서 송신되는 음파 신호의 주파수이다.)
상기 반사파의 수신 각도 θ는 하기 <수학식 4>를 이용하여 계산되고,
[수학식 4]
(여기서, ToF는 센서에서 송신되는 음파 신호의 비행시간(Time of Flight)이고, DoF는 센서(음파송수신기)에서 송신되는 음파 신호의 비행거리 (Distance of Flight)이다.)
상기 [수학식 1] 내지 [수학식 4]를 이용하여 상기 이동체의 속도를 추정하는 것을 특징으로 하는 이동체의 속도 추정을 이용한 노면 종류 추정 방법.
According to clause 5 or 7,
In the moving object speed estimation step (S40),
Based on the traveling direction of the moving object, the frequency (f r1 ) of the reflected wave hitting the road surface behind the center of the sensor and returning is calculated using Equation 1 below,
[Equation 1]
(Here, c is the speed of the sound wave, vc is the speed of the moving object, 'c - v c ' is the speed of the sound wave reflected on the road surface behind the center of the sensor felt from the moving object, and 'c + v c ' is the speed of the sensor This is the speed of the sound wave transmitted from the sensor, which is felt from the road surface behind the center of.)
The frequency (f r2 ) of the reflected wave hitting the road surface in front of the center of the sensor and returning is calculated using Equation 2 below,
[Equation 2]
(Here, 'c + v c ' is the speed of the sound wave reflected and returned by the road surface ahead of the center of the sensor, which is felt from the moving object, and 'c - v c ' is the speed of the sound wave transmitted from the sensor, which is felt from the road surface ahead of the center of the sensor. This is the speed of the sound wave.)
The speed of the sound wave (v c ) is calculated using Equation 3 below,
[Equation 3]
(Here, f t is the frequency of the sound wave signal transmitted from the sensor.)
The reception angle θ of the reflected wave is calculated using Equation 4 below,
[Equation 4]
(Here, ToF is the Time of Flight of the sound wave signal transmitted from the sensor, and DoF is the Distance of Flight of the sound wave signal transmitted from the sensor (sound wave transmitter and receiver).)
A road surface type estimation method using the speed estimation of a moving object, characterized in that the speed of the moving object is estimated using the above [Equation 1] to [Equation 4].
상기 이동체속도추정단계(S40)에서는,
상기 센서의 중심보다 뒤쪽 노면을 맞고 돌아오는 반사파의 주파수(fr1) 및 상기 센서의 중심보다 앞쪽 노면을 맞고 돌아오는 반사파의 주파수(fr2)는 수신된 음파 신호를 푸리에 변환(FFT: Fast Fourier Transform)하여 획득하는 것을 특징으로 하는 이동체의 속도 추정을 이용한 노면 종류 추정 방법.According to clause 9,
In the moving object speed estimation step (S40),
The frequency of the reflected wave (f r1 ), which hits the road surface behind the center of the sensor and returns, and the frequency (f r2 ) of the reflected wave, which hits the road surface ahead of the center of the sensor and returns, is the Fourier transform (FFT: Fast Fourier) of the received sound wave signal. A road surface type estimation method using speed estimation of a moving object, which is obtained by transform.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230130751A KR102656603B1 (en) | 2023-09-27 | 2023-09-27 | Apparatus for estimating of road surface type using velocity estimation of moving object and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230130751A KR102656603B1 (en) | 2023-09-27 | 2023-09-27 | Apparatus for estimating of road surface type using velocity estimation of moving object and method thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102656603B1 true KR102656603B1 (en) | 2024-04-11 |
Family
ID=90666783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230130751A KR102656603B1 (en) | 2023-09-27 | 2023-09-27 | Apparatus for estimating of road surface type using velocity estimation of moving object and method thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102656603B1 (en) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160057533A (en) * | 2014-11-13 | 2016-05-24 | 현대모비스 주식회사 | Nosie detecting device of ultrasonic sensor for vehicle and noise detecting method thereof |
KR101716270B1 (en) | 2015-12-03 | 2017-03-14 | 한국과학기술원 | The front ground state estimation apparatus and method |
KR102136576B1 (en) | 2019-01-17 | 2020-07-22 | 부산대학교 산학협력단 | Road surface condition measuring device and road surface condition diagnosis system |
KR102156295B1 (en) | 2018-08-29 | 2020-09-15 | 한국과학기술원 | Method and apparatus for estimation of tire-road type by using ultrasonic signal |
KR102207816B1 (en) | 2020-08-11 | 2021-01-26 | 주식회사 알고씽 | Method and apparatus for measuring road surface condition using sensor data |
KR20210098027A (en) * | 2020-01-31 | 2021-08-10 | 현대모비스 주식회사 | Method and Apparatus for Reading Road Friction Coefficient |
-
2023
- 2023-09-27 KR KR1020230130751A patent/KR102656603B1/en active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160057533A (en) * | 2014-11-13 | 2016-05-24 | 현대모비스 주식회사 | Nosie detecting device of ultrasonic sensor for vehicle and noise detecting method thereof |
KR101716270B1 (en) | 2015-12-03 | 2017-03-14 | 한국과학기술원 | The front ground state estimation apparatus and method |
KR102156295B1 (en) | 2018-08-29 | 2020-09-15 | 한국과학기술원 | Method and apparatus for estimation of tire-road type by using ultrasonic signal |
KR102136576B1 (en) | 2019-01-17 | 2020-07-22 | 부산대학교 산학협력단 | Road surface condition measuring device and road surface condition diagnosis system |
KR20210098027A (en) * | 2020-01-31 | 2021-08-10 | 현대모비스 주식회사 | Method and Apparatus for Reading Road Friction Coefficient |
KR102207816B1 (en) | 2020-08-11 | 2021-01-26 | 주식회사 알고씽 | Method and apparatus for measuring road surface condition using sensor data |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102415195B1 (en) | Apparatus for estimating of road surface type using atmospheric attenuation corrected sound wave and method thereof | |
Won | Intelligent traffic monitoring systems for vehicle classification: A survey | |
US11999354B2 (en) | Method and apparatus for estimation road surface type using ultrasonic signal | |
CN111507233B (en) | Multi-mode information fusion intelligent vehicle pavement type identification method | |
KR102397312B1 (en) | Apparatus for estimating of road surface type using domain transformation of sound waves and method thereof | |
US9664779B2 (en) | Object classification for vehicle radar systems | |
George et al. | Vehicle detection and classification from acoustic signal using ANN and KNN | |
Kalliris et al. | Machine learning algorithms for wet road surface detection using acoustic measurements | |
US20040138831A1 (en) | Road surface state estimating apparatus, road surface friction state estimating apparatus, road surface state physical quantity calculating apparatus, and road surface state announcing apparatus | |
US9733346B1 (en) | Method for providing sound detection information, apparatus detecting sound around vehicle, and vehicle including the same | |
CN112240999A (en) | Method and system for processing radar reflection | |
CN113064153B (en) | Method and device for determining target object tracking threshold | |
CN107176123A (en) | Sound detection information providing method, vehicle periphery sound detection device and vehicle | |
JP2024508909A (en) | A method for classifying objects in automotive grade radar signals | |
CN112074756A (en) | Method and device for operating an ultrasonic sensor of a vehicle | |
JP2013541696A (en) | Human identification device and identification method | |
US20240183117A1 (en) | Device and method for estimating and managing road surface types using sound signals | |
KR102656603B1 (en) | Apparatus for estimating of road surface type using velocity estimation of moving object and method thereof | |
CN110103954A (en) | Based on automatically controlled automobile anti-rear end collision prior-warning device and method | |
US9616814B1 (en) | Vehicle security alarming system determining relative velocity between a front car and a rear car by sounds retrieved therefrom | |
KR102677833B1 (en) | Apparatus for estimating of road surface type using continuous signals and method thereof | |
KR102638589B1 (en) | Apparatus for estimating of road surface type using pre-installed sensor of vehicle and method thereof | |
Kubo et al. | Design of ultra low power vehicle detector utilizing discrete wavelet transform | |
KR102671468B1 (en) | Apparatus for estimating of road surface type considering speed and 3-axis acceleration of vehicle and method thereof | |
KR102505159B1 (en) | Apparatus for estimating of road surface type using sound waves and method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |