KR102657676B1 - 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템 - Google Patents
보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템 Download PDFInfo
- Publication number
- KR102657676B1 KR102657676B1 KR1020230158400A KR20230158400A KR102657676B1 KR 102657676 B1 KR102657676 B1 KR 102657676B1 KR 1020230158400 A KR1020230158400 A KR 1020230158400A KR 20230158400 A KR20230158400 A KR 20230158400A KR 102657676 B1 KR102657676 B1 KR 102657676B1
- Authority
- KR
- South Korea
- Prior art keywords
- mixed
- risk
- use road
- road
- dynamic information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003068 static effect Effects 0.000 claims abstract description 97
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000009795 derivation Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 15
- 238000000926 separation method Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 206010039203 Road traffic accident Diseases 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
- G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
본 발명은 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템에 관한 것으로서, 더욱 상세하게는, 보차혼용도로에 대한 정적정보, 및 해당 보차혼용도로에 대한 영상으로부터 도출한 동적정보에 기초하여, 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는, 보차혼용도로의 사고위험과 관계된 위험도를 산출하는 방법 및 컴퓨팅시스템에 관한 것이다.
Description
본 발명은 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템에 관한 것으로서, 더욱 상세하게는, 보차혼용도로에 대한 정적정보, 및 해당 보차혼용도로에 대한 영상으로부터 도출한 동적정보에 기초하여, 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는, 보차혼용도로의 사고위험과 관계된 위험도를 산출하는 방법 및 컴퓨팅시스템에 관한 것이다.
2021년 기준 우리나라는 보행자 교통사고 사망자수가 전체 교통사고 사망자수의 약 34%를 차지하고 있으며, 보행자 사고건수가 점유율(17%) 대비 약 2배 높다. 특히, 보차혼용도로에서의 사망자수가 74.9%를 차지하여 보차분리도로에 비해 약 3배나 높은 것으로 나타났으며, 도로폭이 13m미만인 도로에서 68.7%를 차지하는 것으로 나타났다. 이러한 통계분석 결과는 우리나라가 보행자의 활동이 많은 생활도로에서 매우 위험한 것으로 판단된다. 그러나 현재 우리나라는 어느 생활도로가 더 위험한지에 대한 평가기법이 없어, 단순히 사고가 빈번한 곳 또는 민원이 있는 곳, 보행자 이동량이 많은 곳 위주로 개선사업 등을 시행하고 있다.
또한 교통사고는 도로기하구조, 시설물 등과 같이 정적인 요소뿐만 아니라 동적인 요소의 영향을 많이 받으나 동적인 요소에 대해서도 하나의 대푯값(평균값 등)을 이용하여 정적인 요소처럼 고려되어 교통사고에 미치는 영향정도를 분석하여 왔다. 뿐만아니라 생활도로는 데이터 구득의 어려움으로 인해 현장조사를 통한 개선대책을 마련해왔으나, 상대적으로 보행자가 많고 불법주정차 등 다이나믹한 요소들이 많은 시점에 조사가 어려운 한계가 있었다.
따라서 본 발명의 목적은 생활도로 보행자 교통사고에 영향을 미치는 요인을 분석하고, 이를 이용하여 생활도로의 보행자 교통사고 위험도를 평가할 수 있는 방법을 제시하는 것이다.
본 발명의 결과는 생활도로에 설치한 CCTV로 정적요소와 동적요소의 값을 수집하고, 개발된 모형 및 위험도 평가방법을 적용할 수 있을 것으로 기대된다. 기존에 생활도로 보행자 사고 위험도를 평가할 수 없었으나, CCTV를 통해서 동적요소들을 변화를 모니터링 함으로써, 실시간으로 위험도를 산출할 수 있는 기틀을 마련하였다.
본 발명은 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템에 관한 것으로서, 더욱 상세하게는, 보차혼용도로에 대한 정적정보, 및 해당 보차혼용도로에 대한 영상으로부터 도출한 동적정보에 기초하여, 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는, 보차혼용도로의 사고위험과 관계된 위험도를 산출하는 방법 및 컴퓨팅시스템에 관한 것이다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예는, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템에서 수행되는 보차혼용도로의 위험도를 산출하는 방법으로서, 위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드단계; 대상 보차혼용도로에 대하여 기설정된 구간 동안의 영상에 대하여, 기설정된 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출단계; 상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출단계;를 포함하는, 보차도혼용도로의 위험도를 산출하는 방법을 제공한다.
본 발명의 일 실시예에서는, 상기 정적정보는, 보차혼용도로에 대한 구간길이, 유효보도폭, 보차분리정보, 및 일방통행여부 중 1 이상을 포함하고, 상기 동적정보는, 보행자와 차량에 대한 상충비율을 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 동적정보는, 보차혼용도로에 대한 보행자의 보행량, 차량의 교통량, 불법주정차정보 중 1 이상을 더 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 기계학습된 위험도산출모델은, 상기 정적정보 및 상기 동적정보로부터 통계적으로 유의미한 복수의 유의변수를 추출하고, 상기 복수의 유의변수에 기초하여, 해당 보차혼용도로에 대한 위험도를 산출할 수 있다.
본 발명의 일 실시예에서는, 상기 유의변수는, 보차혼용도로에 대한 구간길이, 보차혼용도로에 대한 보행자의 보행량, 보차혼용도로에 대한 일방통행여부, 보차혼용도로에 대한 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율으로 구성될 수 있다.
본 발명의 일 실시예에서는, 상기 위험도산출모델은 최종학습데이터에 의해서 학습되고, 상기 최종학습데이터는, 복수의 학습보차혼용도로에 대한 도로환경 자체에 대한 정적정보에 대하여, 사고발생여부에 따른 라벨링값을 포함하여 학습데이터를 생성하는 학습데이터생성단계; 상기 학습데이터의 학습보차혼용도로 각각에 대하여, 상기 학습보차혼용도로 혹은 상기 학습보차혼용도로의 정적정보와 상응하거나 동일한 보차혼용도로에 대한 기설정된 구간동안의 실제영상에 대하여, 상기 기설정된 구간동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 학습동적정보도출단계; 상기 학습데이터에 동적정보를 추가하는 동적정보추가단계; 및 상기 학습데이터생성단계 내지 상기 동적정보추가단계에 의해서 생성된 복수의 학습데이터를 병합하여 최종학습데이터를 생성하는 최종학습데이터생성단계;에 의해서 생성될 수 있다.
상기와 같은 과제를 해결하기 위하여 본 발명의 일 실시예는, 보차혼용도로의 위험도를 산출하는 방법을 수행하는 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템으로서, 상기 컴퓨팅시스템은, 위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드부; 대상 보차혼용도로에 대하여 기설정된 구간 동안의 영상에 대하여, 기설정된 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출부; 상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출부;를 포함하는, 컴퓨팅시스템을 제공한다.
본 발명의 일 실시예에 따르면, 보차혼용도로 자체의 도로환경에 대한 정적정보, 및 해당 보차혼용도로를 이용하는 보행자 및 차량에 대한 동적정보에 기초하여 위험도를 도출하므로, 정적정보만으로 위험도를 산출할 때보다 더욱 높은 신뢰도의 위험도를 산출할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 기설정된 구간 동안의 영상에 대해서 동적정보를 도출하므로, 시간에 따라서 가변하는 동적정보에 대응하여 시간에 따른 위험도를 산출할 수 있어, 같은 보차혼용도로라도 시간에 따라 위험도가 달라질 수 있는 부분에 대해서 대응할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 정적정보 및 동적정보가 포함하는 복수의 변수 중에서, 유의미한 변수에 대해서 가중치를 적용하여 위험도를 산출하므로, 높은 신뢰도의 위험도를 산출할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 보행자와 차량의 상충에 따른 상충비율을 산출하여 위험도를 산출하는데 활용하므로, 보차혼용도로의 특성 외에 실제 보차혼용도로의 이용에 따른 요소를 반영할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 보차혼용도로에 대해서 이론만이 아닌 사고에 실질적으로 영향을 주는 요소를 고려하여 위험도 산출함에 따라서, 보차혼용도로에 대한 사고예방을 위한 대책들을 수립하는데 참고할 수 있는 효과를 발휘할 수 있다.
도 1은 본 발명의 일 실시예에 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 정적정보로드단계를 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 동적정보도출단계를 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 상충비율을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 위험도산출단계를 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법을 수행하는 컴퓨팅시스템을 개략적으로 도시한다.
도 7는 본 발명의 일 실시예에 따른 학습데이터생성단계를 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 학습동적정보도출단계를 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 동적정보추가단계 및 최종학습데이터생성단계를 개략적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 정적정보로드단계를 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 동적정보도출단계를 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 상충비율을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 위험도산출단계를 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법을 수행하는 컴퓨팅시스템을 개략적으로 도시한다.
도 7는 본 발명의 일 실시예에 따른 학습데이터생성단계를 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 학습동적정보도출단계를 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 동적정보추가단계 및 최종학습데이터생성단계를 개략적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 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 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
1. 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템
본 발명에서 보차혼용도로는 생활도로,이면도로, 단일로 등을 포함할 수 있고, 바람직하게는, 본 발명에서의 보차혼영도로는, 보차분리가 되어 있지 않아 보행자 및 차량을 포함하는 교통수단이 혼재되어 사용되는 도로 및 보도가 존재하지만, 보도 및 차도의 경계가 모호한 도로 등을 포함하는 최광의로 해석되어야 한다. 또한, 보차혼용도로는 차량보다는 보행자의 보행활동이 더 빈번한 도로에 해당할 수 있다.
본 발명에서 차량은, PM(Personal mobility), 자전거, 이륜차, 사륜차 등을 포함하는 보행자와 충돌이 일어날 수 있는 교통수단을 포함하는 최광의로 해석하는 것이 바람직하다.
본 발명에서는 보차혼용도로에서의 교통사고를 예방하고자, 보차혼용도로의 자체에 대한 정정정보, 및 보차혼용도로를 이용하는 보행자 및 차량에 대한 동적정보가 활용하여, 교통사고 영향요인에 대한 보차혼용도로의 위험도를 산출할 수 있다. 이하에서는 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템(1000)에 대해서 설명하도록 한다.
도 1은 본 발명의 일 실시예에 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템(1000)을 개략적으로 도시한다.
도 1에 도시된 바와 같이, 컴퓨팅시스템(1000)은 정적정보로드부(1100), 동적정보도출부(1200), 및 위험도산출부(1300)를 포함할 수 있다.
도 1의 (A)는 컴퓨팅시스템(1000)의 구성을 도시한 도면에 해당한다.
도 1의 (B)는 컴퓨팅시스템(1000)이 수행하는 보차혼용도로의 위험도를 산출하는 방법을 도시한 도면에 해당한다.
컴퓨팅시스템(1000)은 보차혼용도로의 위험도를 산출하는 위험도산출모델을 포함할 수 있고, 상기 위험도산출모델에 정보를 입력하기 위해서, 정적정보로드부(1100)에서 수행하는 정적정보로드단계(S100), 동적정보도출부(1200)에서 수행하는 동적정보도출단계(S200), 및 위험도산출부(1300)에서 수행하는 위험도산출단계(S300)에 의해서 보차혼용도로에 대한 위험도를 산출할 수 있다.
개략적으로, 정적정보로드단계(S100)에서는, 복수의 보차혼용도로 중 대상 보차혼용도로에 대한 정적정보를 로드할 수 있다.
동적정보도출단계(S200)에서는 상기 대상 보차혼용도로에 대한 영상으로부터 차량 및 보행자 중 1 이상에 대한 동적정보를 도출할 수 있다.
위험도산출단계(S300)에서는, 상기 대상 보차혼용도로에 대한 정적정보 및 동적정보를 위험도산출모델에 입력하여 상기 대상 보차혼용도로에 대한 위험도를 산출할 수 있다.
각각의 단계에 대한 자세한 사항은 후술하도록한다.
도 1에서 생략된 컴퓨팅시스템의 나머지 '부'는 후술하도록한다.
본 발명의 일 실시예에 따르면, 상기 영상은 복수의 보차혼용도로 각각의 위치에 설치되어 있는 CCTV를 포함하는 카메라(2000)로부터 수신할 수 있다.
도 2는 본 발명의 일 실시예에 따른 정적정보로드단계(S100)를 개략적으로 도시한다.
도 2에 도시된 바와 같이, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템(1000)에서 수행되는 보차혼용도로의 위험도를 산출하는 방법으로서, 위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드단계(S100);를 포함할 수 있고, 상기 정적정보는, 보차혼용도로에 대한 구간길이, 유효보도폭, 보차분리정보, 및 일방통행여부 중 1 이상을 포함할 수 있다.
컴퓨팅시스템(1000)은 정적정보DB 포함할 수 있다. 상기 정적정보DB에는 복수의 보차혼용도로 각각에 대한 정적정보가 저장되어 있을 수 있다.
상기 정적정보는 보차혼용도로에 대해 도로환경에 대한 물리적인 정보인 보차혼용도로의 구간길이, 유효보도폭, 보차분리정보, 일방통행여부, 과속단속장치여부, 조명시설여부, 편측보도여부, 노면표시정보, 교통안전시설물정보, 지역인구규모 및 도로기하구조 중 1 이상을 포함할 수 있다.
상기 도로기하구조는 곡선반경정보, 시거정보, 종단구배정보, 차선폭정보, 및 갓길폭정보를 포함할 수 있다.
상기 노면표시정보는 흰색 혹은 황색을 포함하는 길가장자리선색깔, 없음, 실선, 및 점선 중 어느 하나를 포함하는 길가장자리선형태, 및 1대1줄 혹은 2대2줄을 포함하는 길가장자리선유형을 포함할 수 있다.
상기 교통안전시설물정보는 과속방지턱, 고원식횡단보도, 및 천천히표시의 유무를 포함하는 속도저감시설유무, 제한속도정보유무, 불법주정차금지정보유무 및 불법주정차CCTV유무를 포함할 수 있다.
상기 보차분리정보는 보차분리여부, 보도단차여부를 포함하는 보차분리유형을 포함할 수 있다.
정적정보로드단계(S100)에서는, 정적정보DB에 기초하여 대상 보차혼용도에 대해 저장되어 있는 정적정보를 로드할 수 있다.
도 2에 도시한 구간길이, 유효보도폭, 보차분리정보 및 일방통행여부 정적정보는 일 실시예일 뿐, 정적정보는 이에 한정하지 않는다.
도 3은 본 발명의 일 실시예에 따른 동적정보도출단계(S200)를 개략적으로 도시한다.
도 3에 도시된 바와 같이, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템(1000)에서 수행되는 보차혼용도로의 위험도를 산출하는 방법으로서, 대상 보차혼용도로에 대하여 기설정된 구간 동안의 영상에 대하여, 기설정된 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출단계(S200);를 포함할 수 있고, 상기 동적정보는, 보행자와 차량에 대한 상충비율을 포함할 수 있다.
동적정보도출단계(S200)에서는 대상 보차혼용도로에 대한 영상으로부터 대상 보차혼용도로에 대한 동적정보를 도출할 수 있다. 상기 영상은 기설정된 구간(H)동안의 영상에 해당할 수 있어, 동적정보도출단계(S200)에서 도출되는 동적정보는 대상 보차혼용도로에 대해 기설정된 구간(H)동안의 동적정보에 해당할 수 있다.
구체적으로, 상기 기설정된 구간(H)은 위험도를 산출하고자 하는 시간 구간에 해당할 수 있다. 예를 들어, 상기 기설정된 구간(H)은 1시간 동안, 30분 동안, 14시 30분부터 17시까지 등 다양한 형태의 시간에 대한 구간에 해당할 수 있다.
동적정보도출단계(S200)에서는 기설정된 구간(H)에 대한 영상을 분석하여, 해당 구간(H)에 대한 대상 보차혼용도로에 대한 동적정보를 도출할 수 있는데, 상기 동적정보는 보행자의 보행량, 차량의 교통량, 차량의 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율 중 1 이상을 포함할 수 있다.
상기 보행량은 영상으로부터, 기설정된 구간(H) 동안 보행자가 인식되는 객체의 수에 해당할 수 있다. 예를 들어, 도 3에서 보행자 A, B 및 C에 대한 객체를 인식하여 보행량을 도출할 수 있다.
상기 교통량은 기설정된 구간(H) 동안 해당 보차혼용도로를 통행하는 차량이 인식되는 객체의 수에 해당할 수 있다. 예를 들어, 도 3에서 차량 E 및 D에 대한 객체를 인식하여 교통량을 도출할 수 있다.
상기 불법주정차정보는 기설정된 구간(H) 동안 해당 보차혼용도로에 불법주차되어 있는 차량이 인식되는 객체의 수에 해당할 수 있다. 예를 들어, 도 3에서 차량 F에 대한 객체를 인식하여 불법주정차정보를 도출할 수 있다.
상기 상충비율은 차량과 보행자가 상충하는 횟수에 대한 비율로, 이에 대한 자세한 사항은 도 4에서 후술하도록 한다.
본 발명의 일 실시예에 따르면, 기설정된 구간동안의 영상에 대한 동적정보를 도출하고, 해당 동적정보에 따라서 위험도를 산출할 수 있으므로, 시간 구간 각각에 대한 위험도를 산출할 수 있어, 시간에 따른 위험도를 알 수 있는 효과를 발휘할 수 있다.
도 4는 본 발명의 일 실시예에 따른 상충비율을 개략적으로 도시한다.
도 4에 도시된 바와 같이, 상기 상충비율은, 상기 영상의 기설정된 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및 기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향해 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는,
도 4의 (A)는 제1횟수 및 제2횟수를 도시한 도면에 해당한다.
도 4의 (B)는 산출비율을 도시한 도면에 해당한다.
본 발명에서의 상충은 차량과 보행자가 부딪히지 않았지만 기설정된 거리(G)까지 접촉하여 부딪힐 뻔한 상황들(near miss)로 정의할 수 있다. 차량의 진행방향과 보행자의 진행방향에 따라서 상충의 유형을 나눌 수 있는데, 상충비율은 전체 상충 횟수에 대한 대면 상충 횟수의 비율에 해당할 수 있다.
구체적으로, 상기 전체 상충 횟수는, 기설정된 구간동안의 영상에서, 상기 기설정된 구간동안 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 횟수를 제1횟수로 지정할 수 있다. 이 경우에서는 보행자 및 차량의 주행방향이 상관없을 수 있다.
상기 대면 상충 횟수는, 기설정된 구간동안의 영상에서, 상기 기설정된 구간동안 보행자와 차량이 마주보며 진행하는 동안 기설정된 거리로 접촉하는 경우에 대한 횟수를 제2횟수로 지정할 수 있다. 즉, 보행자와 차량이 서로의 이동방향이 다른 방향을 향하여, 서로 마주보는 경우에 해당할 수 있다.
상충비율은 상기 제1횟수에 대한 제2횟수의 비율로 산출할 수 있다.
도 5는 본 발명의 일 실시예에 따른 위험도산출단계(S300)를 개략적으로 도시한다.
도 5에 도시된 바와 같이, 상기 기계학습된 위험도산출모델은,
상기 정적정보 및 상기 동적정보로부터 통계적으로 유의미한 복수의 유의변수를 추출하고, 상기 복수의 유의변수에 기초하여, 해당 보차혼용도로에 대한 위험도를 산출하고, 상기 유의변수는, 보차혼용도로에 대한 구간길이, 보차혼용도로에 대한 보행자의 보행량, 보차혼용도로에 대한 일방통행여부, 보차혼용도로에 대한 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율으로 구성될 수 있다.
도 5의 (A)는 위험도산출단계(S300)를 도시한 도면에 해당한다.
위험도산출단계(S300)에서는 대상 보차혼용도로에 대한, 정적정보로드단계(S100)에서 로드한 정적정보 및 동적정보도출단계(S200)에서 도출한 동적정보를 위험도산출모델에 입력하여, 상기 대상 보차혼용도로에 대한 위험도를 산출할 수 있다.
상기 위험도는 대상 보차혼용도로에서 보행자 및 차량 간의 사고가 날 수 있는 위험도를 의미할 수 있고, 복수의 등급으로 산출되거나, 수치로 산출될 수 있다.
본 발명의 일 실시예에 따르면, 상기 위험도는 1 내지 5등급으로 산출될 수 있다.
위험도 1등급은 차량과 보행자가 분리가 잘 되어 충돌가능성이 없는 상태에 해당할 수 있다. 차량과 보행자가 매우 적은 생활도로일 수 있으며, 차량과 보행자가 많은 도로임에도 불구하고, 보차 분리가 잘되고, 불법주정차가 전혀 없어 보행자와 차량간 상충이 없는 도로라고 할 수 있다.
위험도 2등급은 차량과 보행자가 충돌가능성이 거의 없는 상태에 해당할 수 있다. 차량이 보행자에 비해 많지 않고, 불법주정차도 많지 않아 차량과 보행자간 상충이 거의 발생되지 않는 도로환경이라고 할 수 있다. 위험도 3등급은 일부지점에서 불법주정차가 빈번히 발생하여 주의운전이 필요한 상태라고 할 수 있다.
위험도 4등급은 상시 운전자는 보행자 등 위험요소에 대해 주의운전하며, 전방주시가 필요한 상태라고 할 수 있다.
위험도 5등급은 저속주행, 불법주정차 단속, 보행자 분리 등 관리 투입이 필요한 상태라고 할 수 있다.
도 5의 (B)는 유의변수를 도시한 도면에 해당한다.
정적정보 및 동적정보를 입력받은 위험도산출모델은, 상기 정적정보 및 상기 동적정보로부터 유의변수를 추출할 수 있다.
구체적으로, 위험도를 산출함에 있어서, 해당 위험도가 높은 정확도를 보이기 위해서 필요한, 통계적으로 유의미한 유의변수가 있을 수 있다
본 발명에서의 유의변수는 보차혼용도로에 대한 구간길이, 보차혼용도로에 대한 보행자의 보행량, 보차혼용도로에 대한 일방통행여부, 보차혼용도로에 대한 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율으로 구성될 수 있고, 상기 정적정보 및 상기 동적정보로부터 추출할 수 있다.
본 발명의 일 실시예에 따르면, 상기 위험도산출모델은 입력되는 요소(정적정보 및 동적정보) 중에서, 상기 유의변수에 대해서는 가중치를 적용하여 위험도를 산출하여, 높은 정확도의 위험도를 산출할 수 있다.
한편, 위험도산출모델은 최종학습데이터에 기초하여 기계학습될 수 있고, 상기 최종학습데이터는, 학습데이터생성단계(S400), 학습동적정보도출단계(S500), 동적정보추가단계(S600) 및 최종학습데이터생성단계(S700)에 의해서 생성될 수 있다.
개략적으로, 상기 위험도산출모델은 보차혼용도로마다 사고발생여부에 따라서 라벨링값을 포함하는 최종학습데이터에 의해서 위험도를 산출하도록 학습될 수 있다. 이에 대한 자세한 사항은 후술하도록한다.
본 발명의 일 실시예에 따르면, 상기 위험도산출모델은 기계학습된 인공신경망 기반 추론모델,을 포함할 수 있다. 즉, 상기 위험도산출모델인 인공지능 추론모델은 상기 최종학습데이터에 의해서 학습되어, 인공신경망을 구축하고 위험도를 산출할 수 있다.
본 발명의 다른 실시예에 따르면, 상기 위험도산출모델은 SVM을 포함하는 기계학습된 회귀분석모델에 해당할 수 있다. 즉, 상기 ?◀撻돐願綬醍㉯? 회귀분석모델은 상기 최종학습데이터에 기초하여 통계적으로 상관관계를 도출하여 위험도를 산출할 수 있다.
2. 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법 및 컴퓨팅시스템
상술한 바와 같이 본 발명의 컴퓨팅시스템(1000)이 포함하는 위험도산출모델은 보차혼용도로에 대한 위험도를 산출할 수 있다. 이하에서는 본원 발명의 상기 위험도산출모델을 학습시키기 위한 학습데이터를 생성하는 방법에 대해서 설명하도록한다.
도 6은 본 발명의 일 실시예에 따른 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법을 수행하는 컴퓨팅시스템(1000)을 개략적으로 도시한다.
도 6에 도시된 바와 같이, 컴퓨팅시스템(1000)은 학습데이터생성부(1400), 학습동적정보도출부(1500), 동적정보추가부(1600) 및 최종학습데이터생성부(1700)를 포함할 수 있다.
도 6의 (A)는 컴퓨팅시스템(1000)의 구성을 도시한 도면에 해당한다.
도 6의 (B)는 컴퓨팅시스템(1000)이 수행하는 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법을 도시한 도면에 해당한다.
컴퓨팅시스템(1000)은 보차혼용도로의 위험도를 산출하는 위험도산출모델을 포함할 수 있고, 상기 위험도산출모델을 학습시키기 위해서, 상기 컴퓨팅시스템(1000)이 포함하는 학습데이터생성부(1400)에서 수행하는 학습데이터생성단계(S400), 학습동적정보도출부(1500)에서 수행하는 학습동적정보도출단계(S500), 동적정보추가부(1600)에서 수행하는 동적정보추가단계(S600) 및 최종학습데이터생성부(1700)에서 수행하는 최종학습데이터생성단계(S700)에 의하여 최종학습데이터를 생성할 수 있다.
개략적으로, 학습데이터생성단계(S400)에서는, 복수의 학습보차혼용도로 각각에 대해서, 학습보차혼용도로에 대한 정적정보를 도출하고, 해당 학습보차혼용도로에 대한 사고발생여부에 따른 라벨링값을 포함한 학습데이터를 생성할 수 있다.
학습동적정보도출단계(S500)에서는 복수의 학습도차혼용도로 각각에 대해서, 학습보차혼용도로에 대한 영상으로부터 동적정보를 도출할 수 있다.
동적정보추가단계(S600)에서는 상기 학습데이터생성단계(S400)에서 생성한 학습데이터에 상기 학습동적정보도출단계(S500)에서 도출한 동적정보를 추가할 수 있다.
최종학습데이터생성단계(S700)에서는 상기 학습데이터생성단계(S400), 상기 학습동적정보도출단계(S500), 및 상기 동적정보추가단계(S600)에 의해서 생성된 복수의 학습데이터를 병합하여 최종학습데이터를 생성할 수 있다.
각각의 단계에 대한 자세한 사항은 후술하도록한다.
도 7는 본 발명의 일 실시예에 따른 학습데이터생성단계(S400)를 개략적으로 도시한다.
도 7에 도시된 바와 같이, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템(1000)에서 수행되는 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법으로서, 복수의 학습보차혼용도로에 대한 도로환경 자체에 대한 정적정보에 대하여, 사고발생여부에 따른 라벨링값을 포함하여 학습데이터를 생성하는 학습데이터생성단계(S400);를 포함하고, 상기 학습데이터생성단계(S400)는, 사고가 발생하지 않은 복수의 제1학습보차혼용도로에 대한 도로환경 자체에 대한 제1정적정보에 대하여 사고발생여부에 대한 라벨링값 제1값으로 하여 각각의 열로 제1학습데이터를 생성하는 제1학습데이터생성단계; 및 사고가 발생한 복수의 제2학습보차혼용도로에 대한 도로환경 자체에 대한 제2정적정보에 대하여 사고발생여부에 대한 라벨링값 제2값으로 하여 각각의 열로 제2학습데이터를 생성하는 제2학습데이터생성단계;를 포함할 수 있다.
도 7의 (A)는 보차혼용도로지도를 도시한 도면에 해당한다.
컴퓨팅시스템(1000)에는 보차혼용도로지도가 저장되어 있을 수 있다.
보차혼용도로지도는 보차혼용도로에 해당하는 도로에 대한 사고현황이 해당 보차혼용도로 위치에 매핑되는 지도에 해당할 수 있다. 상기 사고현황은 사고횟수를 포함할 수 있다.
도 7의 (A)에서, A지점은 해당 보차혼용도로의 위치에서 기설정된 기간동안 2번의 사고가 났음을 의미할 수 있고, B지점은 해당 보차혼용도로의 위치에서 기설정된 기간동안 0번의 사고가 났음을 의미할 수 있다.
본 발명의 일 실시예에 따르면, 상기 보차혼용도로지도는 실제 사고현황데이터(교통사고분석시스템(TAAS)등으로부터 제공받을 수 있다.)를 반영하여 주기적으로 업데이트될 수 있다.
본 발명에서는 학습데이터를 생성할 때, 상기 A지점과 같이 사고가 났었던 지점, 및 상기 B지점과 같이 사고가 나지 않았던 지점을 구분하여 각각에 대한 학습데이터를 생성할 수 있다. 이에 대해서는 후술하도록 한다.
도 7의 (B)는 제1학습데이터 및 제2학습데이터를 포함하는 학습데이터를 도시한 도면에 해당한다.
학습데이터생성단계(S400)에서는, 복수의 학습보차혼용도로 각각에 대해서, 각각에 대한, 정정정보 및 사고발생여부에 따른 라벨링값을 포함하여 학습데이터를 생성할 수 있다.
상기 학습보차혼용도로는 제1학습보차혼용도로 및 제2학습보차혼용도로를 포함할 수 있고, 상기 학습데이터단계가 포함하는 각각에 대한 제1학습데이터생성단계 및 제2학습데이터생성단계가 수행되어 각각에 대한 제1학습데이터 및 제2학습데이터가 생성될 수 있다.
제1학습보차혼용도로는 상기 보차혼용도로지도에 기초하여 사고현황에 대한 사고건수가 1 이상인 도로에 해당할 수 있고, 제2학습보차혼용도로는 상기 보차혼용도로지도에 기초하여 사고현황에 대한 사고건수가 0인(즉, 사고가 나지 않았던) 도로에 해당할 수 있다.
상기 제1학습데이터생성단계는 제1학습보차혼용도로에 대한 제1학습데이터를 생성하는 단계로서, 상술한 정적정보DB로부터 제1학습보차혼용도로에 대한 제1정적정보를 추출할 수 있고, 상기 보차혼용도로지도에 기초하여, 해당 제1학습보차혼용도로에 대한 사고현황에 따라 라벨링값을 제1값으로 지정할 수 있다. 이에 따라, 상기 제1학습데이터생성단계에서는 상기 제1정적정보 및 상기 제1값을 포함하는 제1학습데이터를 생성할 수 있다.
상기 제1값은 사고발생여부를 표시할 수 있는 값에 해당할 수 있고, 바람직하게는 1을 포함할 수 있다. 즉, 사고가 발생했던 보차혼용도로를 라벨링하여 제1학습보차혼용도로로 구분하기 위한 제1값은 1을 포함할 수 있다.
상기 제1정적정보는 해당 제1학습보차혼용도로에 대한 구간길이, 유효보도폭, 보차분리정보, 및 일방통행여부를 포함할 수 있고, 정적정보에 대해서 상술한 바를 따를 수 있다.
상기 제1학습데이터생성단계는 복수의 제1학습보차혼용도로 각각에 대해서 수행될 수 있어, 복수의 제1학습데이터가 생성될 수 있다.
상기 제2학습데이터생성단계는 제2학습보차혼용도로에 대한 제2학습데이터를 생성하는 단계로서, 상술한 정적정보DB로부터 제2학습보차혼용도로에 대한 제2정적정보를 추출할 수 있고, 상기 보차혼용도로지도에 기초하여, 해당 제2학습보차혼용도로에 대한 사고현황에 따라 라벨링값을 제2값으로 지정할 수 있다. 이에 따라, 상기 제2학습데이터생성단계에서는 상기 제2정적정보 및 상기 제2값을 포함하는 제2학습데이터를 생성할 수 있다.
상기 제2값은 사고발생여부를 표시할 수 있는 값에 해당할 수 있고, 바람직하게는 0을 포함할 수 있다. 즉, 사고가 발생했던 보차혼용도로를 라벨링하여 제2학습보차혼용도로로 구분하기 위한 제2값은 0을 포함할 수 있다.
상기 제2정적정보는 해당 제2학습보차혼용도로에 대한 구간길이, 유효보도폭, 보차분리정보, 및 일방통행여부를 포함할 수 있고, 정적정보에 대해서 상술한 바를 따를 수 있다.
상기 제2학습데이터생성단계는 복수의 제2학습보차혼용도로 각각에 대해서 수행될 수 있어, 복수의 제2학습데이터가 생성될 수 있다.
본 발명의 일 실시예에 따르면, 학습보차혼용도로에 대해 사고발생여부에 따라서 라벨링을 하므로, 사고가 발생했던 학습보차혼용도로 및 사고가 발생하지 않았던 학습보차혼용도로를 구분할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 사고가 있었던 도로 및 사고가 없었던 도로를 구별하여 학습데이터를 도출하므로, 사고에 영향이 있는 요소를 명확히 도출하여 학습시킬 수 있는 효과를 발휘할 수 있다.
도 8은 본 발명의 일 실시예에 따른 학습동적정보도출단계(S500)를 개략적으로 도시한다.
도 8에 도시된 바와 같이, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템(1000)에서 수행되는 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법으로서, 상기 학습데이터의 학습보차혼용도로 각각에 대하여, 상기 학습보차혼용도로 혹은 상기 학습보차혼용도로의 정적정보와 상응하거나 동일한 보차혼용도로에 대한 기설정된 구간동안의 영상에 대하여, 상기 기설정된 구간동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 학습동적정보도출단계(S500);를 포함하고, 상기 학습동적정보도출단계(S500)는, 상기 제1학습데이터에서의 제1학습보차혼용도로 각각에 대하여 상기 제1학습보차혼용도로 혹은 상기 제1학습보차혼용도로의 상기 제1정적정보와 상응하거나 동일한 보차혼용도로에 대한 기설정된 구간동안의 실제영상에 대하여 기설정된 구간동안의 차량 및 보행자 중 1 이상에 대한 제1동적정보를 도출하는 제1동적정보도출단계; 및 상기 제2학습데이터에서의 제2학습보차혼용도로 각각에 대하여 상기 제2학습보차혼용도로 혹은 상기 제2학습보차혼용도로의 상기 제1정적정보와 상응하거나 동일한 보차혼용도로에 대한 기설정된 구간동안의 실제영상에 대하여 기설정된 기간 동안의 차량 및 보행자 중 1 이상에 대한 제2동적정보를 산출하는 제2동적정보산출단계;를 포함할 수 있다.
학습동적정보도출단계(S500)는 학습보차혼용도로가 포함하는 제1학습보차혼용도로에 대한 제1학습동적정보도출단계, 및 학습보차혼용도로가 포함하는 제2학습보차혼용도로에 대한 제2학습동적정보도출단계를 포함할 수 있다.
상기 제1학습동적정보도출단계는 복수의 제1학습데이터 각각에 대한 제1학습보차혼용도로에 대해서 수행될 수 있고, 상기 제2학습동적정보도출단계는 복수의 제2학습데이터 각각에 대한 제2학습보차혼용도로에 대해서 수행될 수 있다.
제1학습동적정보도출단계에서는 제1학습보차혼용도로의 제1정적정보와 상응하거나 동일한 보차혼용도로를 정적정보DB로부터 추출하여 해당 보차혼용도로에 대한 영상 혹은 해당 제1학습보차혼용도로에 대한 영상으로부터 제1동적정보를 추출할 수 있다.
도 3에서 상술한 바와 같이, 동적정보는 영상에서 기설정된 구간동안에 대한 제1동적정보에 해당할 수 있고, 차량 및 보행자 중 1 이상에 대한 제1동적정보에 해당할 수 있다.
상기 제1학습동적정보도출단계에서 도출되는 제1동적정보는 동적정보에 대해서 상술한 바를 따를 수 있다.
제2학습동적정보도출단계에서는 제2학습보차혼용도로의 제2정적정보와 상응하거나 동일한 보차혼용도로를 정적정보DB로부터 추출하여 해당 보차혼용도로에 대한 영상 혹은 해당 제2학습보차혼용도로에 대한 영상으로부터 제2동적정보를 추출할 수 있다.
도 3에서 상술한 바와 같이, 제2동적정보는 영상에서 기설정된 구간동안에 대한 동적정보에 해당할 수 있고, 차량 및 보행자 중 1 이상에 대한 동적정보에 해당할 수 있다.
상기 제2학습동적정보도출단계에서 도출되는 동적정보는 상술한 바를 따를 수 있다.
본 발명의 일 실시예에 따르면, 제1정적정보 혹은 제2정적정보와 상응하다는 것은, 정적정보가 포함하는 각각의 요소 중 기설정된 개수의 요소가 제1정적정보 혹은 제2정적정보의 요소 각각과 기설정된 기준범위 내의 오차에 있는 것을 의미할 수 있다.
도 8에는 도면의 간략화를 위해서, 제1학습보차혼용도로 및 제2 학습보차혼용도로를 포함하는 학습보차혼용도로와 제1동적정보 및 제2동적정보를 포함하는 동적정보에 대해서 도시하였으나, 도 8에 대한 내용은 제1학습보차혼용도로, 제2 학습보차혼용도로, 제1동적정보 및 제2동적정보에 대해서도 적용될 수 있다.
도 9는 본 발명의 일 실시예에 따른 동적정보추가단계(S600) 및 최종학습데이터생성단계(S700)를 개략적으로 도시한다.
도 9에 도시된 바와 같이, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템(1000)에서 수행되는 보차혼용도로의 위험도를 산출하는 학습데이터 생성 방법으로서, 상기 학습데이터에 동적정보를 추가하는 동적정보추가단계(S600); 및 상기 학습데이터생성단계(S400) 내지 상기 동적정보추가단계(S600)에 의해서 생성된 복수의 학습데이터를 병합하여 최종학습데이터를 생성하는 최종학습데이터생성단계(S700);를 포함할 수 있고, 상기 동적정보추가단계(S600)는, 상기 제1학습데이터에 상기 제1동적정보를 추가하는 제1동적정보추가단계; 및 상기 제2학습데이터에 상기 제2동적정보를 추가하는 제2동적정보추가단계;를 포함할 수 있고, 상기 최종학습데이터생성단계(S700)는, 상기 제1학습데이터 및 상기 제2학습데이터를 병합하여 최종학습데이터를 생성할 수 있다.
도 9의 (A)는 동적정보추가단계(S600)를 도시한 도면에 해당한다.
동적정보추가단계(S600)는, 학습보차혼용도로가 포함하는 제1학습보차혼용도로에 대한 제1동적정보추가단계, 및 학습보차혼용도로가 포함하는 제2학습보차혼용도로에 대한 제2동적정보추가단계를 포함할 수 있다.
제1동적정보추가단계에서는 제1동적정보도출단계에서 도출한 제1동적정보를 제1학습데이터생성단계에서 생성한 제1학습데이터에 추가할 수 있다. 즉, 상기 제1동적정보추가단계에 따라서, 제1학습데이터는 제1정적정보, 사고발생여부에 따른 라벨링값인 제1값, 및 제1동적정보를 포함할 수 있다.
제2동적정보추가단계에서는 제2동적정보도출단계에서 도출한 제2동적정보를 제2학습데이터생성단계에서 생성한 제2학습데이터에 추가할 수 있다. 즉, 상기 제2동적정보추가단계에 따라서, 제2학습데이터는 제2정적정보, 사고발생여부에 따른 라벨링값인 제2값, 및 제2동적정보를 포함할 수 있다.
상기 제1동적정보추가단계는 복수의 제1학습데이터 각각에 대한 제1학습보차혼용도로에 대해서 수행될 수 있고, 상기 제2동적정보추가단계는 복수의 제2학습데이터 각각에 대한 제2학습보차혼용도로에 대해서 수행될 수 있다.
도 9의 (B)는 최종학습데이터생성단계(S700)를 도시한 도면에 해당한다.
학습데이터생성단계(S400), 학습동적정보도출단계(S500), 및 동적정보추가단계(S600)는 복수의 학습보차혼용도로에 대해서 수행될 수 있어, 복수의 학습보차혼용도로 각각에 대한 정적정보, 라벨링값 및 동적정보를 포함하는 학습데이터가 복수 개 생성될 수 있다.
즉, 복수의 제1학습보차혼용도로에 대해서 제1학습데이터생성단계, 제1학습동적정보도출단계, 및 제1동적정보추가단계가 수행됨에 따라서, 제1정적정보, 제1값 및 제1동적정보를 포함하는 제1학습데이터가 복수 개 생성될 수 있고, 복수의 제2습보차혼용도로에 대해서 제2학습데이터생성단계, 제2학습동적정보도출단계, 및 제2동적정보추가단계가 수행됨에 따라서, 제2정적정보, 제2값 및 제2동적정보를 포함하는 제2학습데이터가 복수 개 생성될 수 있다.
최종학습데이터생성단계(S700)에서는, 복수의 제1학습데이터 및 복수의 제2학습데이터를 병합하여 최종학습데이터로 생성할 수 있다. 즉, 상기 최종학습데이터는 복수의 제1학습데이터 및 복수의 제2학습데이터를 포함할 수 있다.
상기 최종학습데이터는 보차혼용도로의 위험도를 산출하는 위험도산출모델에 대한 학습데이터로 활용될 수 있다.
본 발명의 일 실시예에 따르면, 최종학습데이터는 사고발생여부에 따라 분류된 제1학습데이터 및 제2학습데이터를 포함하고, 위험도산출모델은 상기 최종학습데이터에 기초하여 학습되므로, 사고가 일어난 보차혼용도로 및 사고가 일어나지 않은 보차혼용도로 각각에 대한 분석을 통해, 위험도를 산출하는데 있어서 높은 정확도를 부여할 수 있는 효과를 발휘할 수 있다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
상술한 도 1에 도시된 컴퓨팅시스템(1000)는 상기 도 10에 도시된 컴퓨팅장치(11000)의 구성요소들을 포함할 수 있다.
도 10에 도시된 바와 같이, 컴퓨팅장치(11000)는 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/Osubsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅장치(11000)는 도 1에 도시된 컴퓨팅시스템(1000)에 해당될 수 있다.
메모리(11200)는 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅장치(11000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅장치(11000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅장치와 통신을 가능하게 할 수도 있다.
이러한 도 10의 실시예는, 컴퓨팅장치(11000)의 일례일 뿐이고, 컴퓨팅장치(11000)는 도 10에 도시된 일부 컴포넌트가 생략되거나, 도 10에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅장치는 도 10에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(11600)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 어플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 컴퓨팅시스템(1000)에 설치될 수 있다. 일 예로, 파일 배포 시스템은 컴퓨팅시스템(1000)의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅장치 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명의 일 실시예에 따르면, 보차혼용도로 자체의 도로환경에 대한 정적정보, 및 해당 보차혼용도로를 이용하는 보행자 및 차량에 대한 동적정보에 기초하여 위험도를 도출하므로, 정적정보만으로 위험도를 산출할 때보다 더욱 높은 신뢰도의 위험도를 산출할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 기설정된 구간 동안의 영상에 대해서 동적정보를 도출하므로, 시간에 따라서 가변하는 동적정보에 대응하여 시간에 따른 위험도를 산출할 수 있어, 같은 보차혼용도로라도 시간에 따라 위험도가 달라질 수 있는 부분에 대해서 대응할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 정적정보 및 동적정보가 포함하는 복수의 변수 중에서, 유의미한 변수에 대해서 가중치를 적용하여 위험도를 산출하므로, 높은 신뢰도의 위험도를 산출할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 보행자와 차량의 상충에 따른 상충비율을 산출하여 위험도를 산출하는데 활용하므로, 보차혼용도로의 특성 외에 실제 보차혼용도로의 이용에 따른 요소를 반영할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 보차혼용도로에 대해서 이론만이 아닌 사고에 실질적으로 영향을 주는 요소를 고려하여 위험도 산출함에 따라서, 보차혼용도로에 대한 사고예방을 위한 대책들을 수립하는데 참고할 수 있는 효과를 발휘할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (8)
1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템에서 수행되는 보차혼용도로의 위험도를 산출하는 방법으로서,
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드단계;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출단계;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출단계;를 포함하고,
상기 동적정보는,
보행자와 차량에 대한 상충비율을 포함하고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 보차도혼용도로의 위험도를 산출하는 방법.
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드단계;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출단계;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출단계;를 포함하고,
상기 동적정보는,
보행자와 차량에 대한 상충비율을 포함하고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 보차도혼용도로의 위험도를 산출하는 방법.
청구항 1에 있어서,
상기 정적정보는,
보차혼용도로에 대한 구간길이, 유효보도폭, 보차분리정보, 및 일방통행여부 중 1 이상을 포함하는, 보차도혼용도로의 위험도를 산출하는 방법.
상기 정적정보는,
보차혼용도로에 대한 구간길이, 유효보도폭, 보차분리정보, 및 일방통행여부 중 1 이상을 포함하는, 보차도혼용도로의 위험도를 산출하는 방법.
청구항 2에 있어서,
상기 동적정보는,
보차혼용도로에 대한 보행자의 보행량, 차량의 교통량, 불법주정차정보 중 1 이상을 더 포함하는, 보차도혼용도로의 위험도를 산출하는 방법.
상기 동적정보는,
보차혼용도로에 대한 보행자의 보행량, 차량의 교통량, 불법주정차정보 중 1 이상을 더 포함하는, 보차도혼용도로의 위험도를 산출하는 방법.
1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템에서 수행되는 보차혼용도로의 위험도를 산출하는 방법으로서,
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드단계;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출단계;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출단계;를 포함하고,
상기 기계학습된 위험도산출모델은,
상기 정적정보 및 상기 동적정보로부터 통계적으로 유의미한 복수의 유의변수를 추출하고, 상기 복수의 유의변수에 기초하여, 해당 보차혼용도로에 대한 위험도를 산출하고,
상기 유의변수는,
보차혼용도로에 대한 구간길이, 보차혼용도로에 대한 보행자의 보행량, 보차혼용도로에 대한 일방통행여부, 보차혼용도로에 대한 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율으로 구성되고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 보차도혼용도로의 위험도를 산출하는 방법.
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드단계;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출단계;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출단계;를 포함하고,
상기 기계학습된 위험도산출모델은,
상기 정적정보 및 상기 동적정보로부터 통계적으로 유의미한 복수의 유의변수를 추출하고, 상기 복수의 유의변수에 기초하여, 해당 보차혼용도로에 대한 위험도를 산출하고,
상기 유의변수는,
보차혼용도로에 대한 구간길이, 보차혼용도로에 대한 보행자의 보행량, 보차혼용도로에 대한 일방통행여부, 보차혼용도로에 대한 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율으로 구성되고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 보차도혼용도로의 위험도를 산출하는 방법.
보차혼용도로의 위험도를 산출하는 방법을 수행하는 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템으로서,
상기 컴퓨팅시스템은,
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드부;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출부;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출부;를 포함하고,
상기 기계학습된 위험도산출모델은,
상기 정적정보 및 상기 동적정보로부터 통계적으로 유의미한 복수의 유의변수를 추출하고, 상기 복수의 유의변수에 기초하여, 해당 보차혼용도로에 대한 위험도를 산출하고,
상기 유의변수는,
보차혼용도로에 대한 구간길이, 보차혼용도로에 대한 보행자의 보행량, 보차혼용도로에 대한 일방통행여부, 보차혼용도로에 대한 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율으로 구성되고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 컴퓨팅시스템.
상기 컴퓨팅시스템은,
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드부;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출부;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출부;를 포함하고,
상기 기계학습된 위험도산출모델은,
상기 정적정보 및 상기 동적정보로부터 통계적으로 유의미한 복수의 유의변수를 추출하고, 상기 복수의 유의변수에 기초하여, 해당 보차혼용도로에 대한 위험도를 산출하고,
상기 유의변수는,
보차혼용도로에 대한 구간길이, 보차혼용도로에 대한 보행자의 보행량, 보차혼용도로에 대한 일방통행여부, 보차혼용도로에 대한 불법주정차정보, 및 보행자와 교통수단에 대한 상충비율으로 구성되고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 컴퓨팅시스템.
삭제
청구항 1에 있어서,
상기 위험도산출모델은 최종학습데이터에 의해서 학습되고,
상기 최종학습데이터는,
복수의 학습보차혼용도로에 대한 도로환경 자체에 대한 정적정보에 대하여, 사고발생여부에 따른 라벨링값을 포함하여 학습데이터를 생성하는 학습데이터생성단계;
상기 학습데이터의 학습보차혼용도로 각각에 대하여, 상기 학습보차혼용도로 혹은 상기 학습보차혼용도로의 정적정보와 상응하거나 동일한 보차혼용도로에 대한 기설정된 시간 구간동안의 실제영상에 대하여, 상기 기설정된 시간 구간동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 학습동적정보도출단계;
상기 학습데이터에 동적정보를 추가하는 동적정보추가단계; 및
상기 학습데이터생성단계 내지 상기 동적정보추가단계에 의해서 생성된 복수의 학습데이터를 병합하여 최종학습데이터를 생성하는 최종학습데이터생성단계;에 의해서 생성되는, 보차도혼용도로의 위험도를 산출하는 방법.
상기 위험도산출모델은 최종학습데이터에 의해서 학습되고,
상기 최종학습데이터는,
복수의 학습보차혼용도로에 대한 도로환경 자체에 대한 정적정보에 대하여, 사고발생여부에 따른 라벨링값을 포함하여 학습데이터를 생성하는 학습데이터생성단계;
상기 학습데이터의 학습보차혼용도로 각각에 대하여, 상기 학습보차혼용도로 혹은 상기 학습보차혼용도로의 정적정보와 상응하거나 동일한 보차혼용도로에 대한 기설정된 시간 구간동안의 실제영상에 대하여, 상기 기설정된 시간 구간동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 학습동적정보도출단계;
상기 학습데이터에 동적정보를 추가하는 동적정보추가단계; 및
상기 학습데이터생성단계 내지 상기 동적정보추가단계에 의해서 생성된 복수의 학습데이터를 병합하여 최종학습데이터를 생성하는 최종학습데이터생성단계;에 의해서 생성되는, 보차도혼용도로의 위험도를 산출하는 방법.
보차혼용도로의 위험도를 산출하는 방법을 수행하는 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅시스템으로서,
상기 컴퓨팅시스템은,
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드부;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출부;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출부;를 포함하고,
상기 동적정보는,
보행자와 차량에 대한 상충비율을 포함하고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 컴퓨팅시스템.
상기 컴퓨팅시스템은,
위험도를 산출하고자 하는 대상 보차혼용도로에 대한 도로환경 자체에 대한 정적정보를 로드하는 정적정보로드부;
대상 보차혼용도로에 대하여 기설정된 시간 구간 동안의 영상에 대하여, 기설정된 시간 구간 동안의 차량 및 보행자 중 1 이상에 대한 동적정보를 도출하는 동적정보도출부;
상기 정적정보 및 상기 동적정보에 기초하여, 기계학습된 위험도산출모델을 이용하여 해당 보차혼용도로에 대한 위험도를 산출하는 위험도산출부;를 포함하고,
상기 동적정보는,
보행자와 차량에 대한 상충비율을 포함하고,
상기 상충비율은,
상기 영상의 기설정된 시간 구간동안, 보행자와 차량이 기설정된 거리로 접촉하는 경우에 대한 제1횟수 및
기설정된 시간 동안, 보행자와 차량이 서로 다른 방향을 향하여 마주보며, 기설정된 거리로 접촉하는 경우에 대한 제2횟수에 대하여, 제1횟수에 대한 제2횟수의 비율에 해당하는, 컴퓨팅시스템.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230085997 | 2023-07-03 | ||
| KR20230085997 | 2023-07-03 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102657676B1 true KR102657676B1 (ko) | 2024-04-16 |
Family
ID=90882321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230158400A KR102657676B1 (ko) | 2023-07-03 | 2023-11-15 | 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102657676B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014203168A (ja) * | 2013-04-02 | 2014-10-27 | トヨタ自動車株式会社 | 危険度判定装置及び危険度判定方法 |
| KR20200013274A (ko) * | 2018-07-24 | 2020-02-07 | 주식회사 건영이엔씨 | 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 |
| KR102435442B1 (ko) * | 2022-06-22 | 2022-08-24 | 한국건설기술연구원 | 어린이 보호구역의 제한속도 가변 시스템, 장치 및 방법 |
| KR20230086487A (ko) * | 2021-12-08 | 2023-06-15 | 주식회사 알트에이 | 충돌대상 사전감지 시스템 |
-
2023
- 2023-11-15 KR KR1020230158400A patent/KR102657676B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014203168A (ja) * | 2013-04-02 | 2014-10-27 | トヨタ自動車株式会社 | 危険度判定装置及び危険度判定方法 |
| KR20200013274A (ko) * | 2018-07-24 | 2020-02-07 | 주식회사 건영이엔씨 | 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 |
| KR20230086487A (ko) * | 2021-12-08 | 2023-06-15 | 주식회사 알트에이 | 충돌대상 사전감지 시스템 |
| KR102435442B1 (ko) * | 2022-06-22 | 2022-08-24 | 한국건설기술연구원 | 어린이 보호구역의 제한속도 가변 시스템, 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bachute et al. | Autonomous driving architectures: insights of machine learning and deep learning algorithms | |
| Formosa et al. | Predicting real-time traffic conflicts using deep learning | |
| Li et al. | Survey on artificial intelligence for vehicles | |
| Khoury et al. | An initial investigation of the effects of a fully automated vehicle fleet on geometric design | |
| Fan et al. | Using VISSIM simulation model and Surrogate Safety Assessment Model for estimating field measured traffic conflicts at freeway merge areas | |
| Chu et al. | Curve speed model for driver assistance based on driving style classification | |
| Hao et al. | Research on mandatory lane‐changing behavior in highway weaving sections | |
| Zhao et al. | Analysis of saturation flow rate at tandem intersections using field data | |
| Ali et al. | Autonomous vehicles decision-making enhancement using self-determination theory and mixed-precision neural networks | |
| CN112249009A (zh) | 车速控制方法、装置、系统及电子设备 | |
| Elallid et al. | Deep learning-based modeling of pedestrian perception and decision-making in refuge island for autonomous driving | |
| Du et al. | A Novel Intelligent Approach to Lane‐Change Behavior Prediction for Intelligent and Connected Vehicles | |
| Liu et al. | Analysis of pre-crash scenarios and contributing factors for autonomous vehicle crashes at intersections | |
| Cheng et al. | Safety assessment of vehicle behaviour based on the improved D–S evidence theory | |
| KR102657676B1 (ko) | 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템 | |
| US11518406B2 (en) | Test failure detection using a governing agent data set | |
| Kang et al. | Critical voxel learning with vision transformer and derivation of logical AV safety assessment scenarios | |
| Wang et al. | Driver’s Lane Selection Model Based on Phase‐Field Coupling and Multiplayer Dynamic Game with Incomplete Information | |
| Chen et al. | Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories | |
| CN115855531A (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 | |
| US20230351886A1 (en) | Traffic signal understandings and representation for prediction, planning, and control | |
| Qi et al. | Risk area identification model of bus bay stops based on distribution of conflicts | |
| Shen et al. | Research on a conflict early warning system based on the active safety concept | |
| Sun et al. | Optimal location of the U‐turn at a signalised intersection with double left‐turn lanes | |
| Yuan et al. | Speed behaviour of right‐turn drivers at signalized intersections in China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |