KR20170140625A

KR20170140625A - 운전자의 주행 패턴 인식 시스템 및 방법

Info

Publication number: KR20170140625A
Application number: KR1020160073164A
Authority: KR
Inventors: 김선아; 이재호; 안창욱; 이종현; 김현태
Original assignee: 현대자동차주식회사; 성균관대학교산학협력단; 기아자동차주식회사
Priority date: 2016-06-13
Filing date: 2016-06-13
Publication date: 2017-12-21
Also published as: KR101827124B1

Abstract

본 발명은 차량에서 제공하는 차량 데이터를 이용하여 운전자의 패턴을 다중트리 유전프로그래밍 알고리즘 방법에 적용하여 학습 및 분류하고, 학습된 운전자 모델의 주행 성향을 분석함으로써 운전자의 위험도를 정의할 수 있으며, 학습되지 않은 데이터의 위험도에 대한 실시간 처리가 가능한 운전자의 주행 패턴 인식 시스템 및 방법을 제공한다.
본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템은 차량의 운행 데이터를 수집하는 데이터 수집부, 상기 차량의 운행 데이터를 분석하여 운전자의 운전 패턴에 대한 영향을 많이 미치는 주요 센서들을 선별하는 데이터 축소부, 기계 학습 알고리즘을 통해 상기 수신된 차량의 운행 데이터에서 각각의 운전자의 운전 패턴에 대한 모델을 생성하는 데이터 학습부 및 상기 생성된 운전자의 운전 패턴에 대한 모델을 이용하여 서비스를 실행하는 서비스 실행부를 포함한다.

Description

운전자의 주행 패턴 인식 시스템 및 방법{System and Method for recognizing driving pattern of driver}

본 발명은 운전자의 주행 패턴 인식 시스템 및 방법에 관한 것으로, 보다 상세하게는 차량에서 제공하는 차량 데이터를 이용하여 운전자의 주행 패턴을 인식하는 기술에 관한 것이다.

차량의 주행 성능과 관련한 고객의 만족도는 차량이 얼마나 고객의 성향에 맞게 주행하느냐에 달려 있다. 그런데, 고객의 성향은 다양한 반면 동일한 차종에 대해서는 차량의 성능 특성이 하나의 성능 특성으로 정해져 있기 때문에 고객의 운전 성향과 차량의 반응 사이에는 차이가 발생할 수 있다. 이에 따라, 고객은 종종 차량의 주행성능에 대하여 불만을 제기하게 된다.

즉, 고객의 운전 성향을 파악하고 고객의 운전 성향에 적합하게 차량이 반응하도록 변속을 제어하면 주행 성능과 관련한 고객의 만족도를 극대화할 수 있다.

이에 따라, 고객의 운전 성향을 장기간 동안 학습하고, 학습된 운전 성향에 따라 변속을 제어하는 방법이 개발되었다. 학습된 운전 성향에 따라 변속을 제어하는 방법은 고객의 운전 성향은 일정하다는 가정 하에 수행된다.

그러나, 운전자의 성향은 항상 일정한 것이 아니며 운전자의 감정이나 순간적인 운전 의지의 변화, 도로 조건 등에 따라 달라지게 되므로, 학습된 운전 성향은 어느 순간에서의 실제 운전자의 성향과는 차이가 크게 된다.

이에 따라, 학습된 운전 성향에 맞춰서 변속 제어를 하는 경우, 운전자의 실제 의지를 변속에 반영하지 못하고 오히려 운전자의 불만을 야기하게 되는 문제가 있었다.

예를 들어, 운전자가 가속 페달을 많이 밝은 경우 종래의 변속 제어 장치는 차량이 등판로에서 운전하기 위하여 운전자가 가속 페달을 많이 밟은 것인지 차량을 가속하기 위하여 운전자가 가속 페달을 많이 밟은 것인지를 구별하지 못하였다. 이에 따라, 잘못된 변속 제어를 수행하여 운전자의 불만을 야기하게 되었다.

[특허문헌]한국공개특허 2015-0034899호.

본 발명은 차량에서 제공하는 차량 데이터를 이용하여 운전자의 패턴을 다중 트리 유전프로그래밍 알고리즘 방법에 적용하여 학습 및 분류하고, 학습된 운전자 모델의 주행 성향을 분석함으로써 운전자의 위험도를 정의할 수 있으며, 학습되지 않은 데이터의 위험도에 대한 실시간 처리가 가능한 운전자의 주행 패턴 인식 시스템 및 방법을 제공한다.

본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템은 차량의 운행 데이터를 수집하는 데이터 수집부, 상기 차량의 운행 데이터를 분석하여 운전자의 운전 패턴에 대한 영향을 미치는 센서들을 선별하는 데이터 축소부, 기계 학습 알고리즘을 통해 상기 수신된 차량의 운행 데이터에서 각각의 운전자의 운전 패턴에 대한 모델을 생성하는 데이터 학습부 및 상기 생성된 운전자의 운전 패턴에 대한 모델을 이용하여 서비스를 실행하는 서비스 실행부를 포함한다.

본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 방법은 차량의 운행 데이터를 수집하는 단계, 상기 차량의 운행 데이터를 분석하여 운전자의 운전 패턴에 대한 영향을 미치는 센서들을 선별하는 단계, 기계 학습 알고리즘을 통해 상기 수신된 차량의 운행 데이터에서 각각의 운전자의 운전 패턴에 대한 모델을 생성하는 단계 및 상기 생성된 운전자의 운전 패턴에 대한 모델을 이용하여 서비스를 실행하는 단계를 포함한다.

본 기술은 차량에서 제공하는 차량 데이터를 이용하여 운전자의 패턴을 다중 트리 유전프로그래밍 알고리즘 방법에 적용하여 학습 및 분류하고, 학습된 운전자 모델의 주행 성향을 학습 및 분석함으로써 운전자의 위험도를 정의할 수 있으며, 학습되지 않은 데이터의 위험도에 대한 실시간 처리가 가능한 기술이다.

아울러, 본 기술은 차량의 안전성 및 연료의 효율성을 증진시킬 수 있도록 운전 보조 시스템(ADAS)의 개발이 가능하고, 비학습 운전 데이터에 대하여 즉시 분류가 가능하여 운전 보조 시스템(ADAS) 활용도를 증대시킬 수 있는 기술이다.

도 1은 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템을 설명하는 구성도이다.
도 2는 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 동작 방법을 설명하는 도면이다.
도 3은 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 다중 트리 유전프로그래밍 알고리즘 방법에서 개체를 구성하는 내부 트리의 구조를 설명하는 도면이다.
도 4는 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 다중 트리 유전프로그래밍 알고리즘을 설계하는 방법을 설명하는 도면이다.
도 5는 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 다중 트리 유전프로그래밍 알고리즘을 설계하는 방법을 설명하는 도면이다.
도 6은 본 발명의 일실시예에 따른 다중 트리 유전프로그래밍 알고리즘에서 선택 연산자를 설명하는 도면이다.
도 7 및 도 8은 본 발명의 일실시예에 따른 다중 트리 유전프로그래밍 알고리즘에서 교배 연산자를 설명하는 도면이다.
도 9는 본 발명의 일실시예에 따른 다중 트리 유전프로그래밍 알고리즘에서 돌연변이 연산자를 설명하는 도면이다.
도 10은 본 발명의 일실시예에 따른 다중 트리 유전프로그래밍 알고리즘에서 운전자 패턴의 분류를 위한 의사결정 과정을 설명하는 도면이다.

본 발명의 이점 및 특징, 그리고 그것을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 통해 설명될 것이다. 그러나 본 발명은 여기에서 설명되는 실시 예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 단지, 본 실시 예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여 제공되는 것이다.

도면들에 있어서, 본 발명의 실시 예들은 도시된 특정 형태로 제한되는 것이 아니며 명확성을 기하기 위하여 과장된 것이다. 본 명세서에서 특정한 용어들이 사용되었으나. 이는 본 발명을 설명하기 위한 목적에서 사용된 것이며, 의미 한정이나 특허 청구 범위에 기재된 본 발명의 권리 범위를 제한하기 위하여 사용된 것은 아니다.

본 명세서에서 '및/또는'이란 표현은 전후에 나열된 구성요소들 중 적어도 하나를 포함하는 의미로 사용된다. 또한, '연결되는/결합되는'이란 표현은 다른 구성요소와 직접적으로 연결되거나 다른 구성요소를 통해 간접적으로 연결되는 것을 포함하는 의미로 사용된다. 본 명세서에서 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 또한, 명세서에서 사용되는 '포함한다' 또는 '포함하는'으로 언급된 구성요소, 단계, 동작 및 소자는 하나 이상의 다른 구성요소, 단계, 동작 및 소자의 존재 또는 추가를 의미한다.

이하, 도면들을 참조하여 본 발명의 실시 예에 대해 상세히 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템을 설명하는 구성도이다.

도 1을 참조하면, 운전자의 주행 패턴 인식 시스템은 데이터 수집부(100), 데이터 축소부(200), 데이터 학습부(300) 및 서비스 실행부(400)를 포함한다.

데이터 수집부(100)는 차량의 운행 데이터를 수집한다. 차량 내 전자 제어부(ECU)들의 센서 데이터를 종합적으로 수집하여 데이터 축소부(200), 데이터 학습부(300) 및 서비스 실행부(400)에 송신한다.

데이터 축소부(200)는 데이터 수집부(100)로부터 수신한 차량 데이터를 분석하여 운전자의 운전 패턴에 대한 영향을 많이 미치는 주요 센서들을 선별한다. 선별된 주요 센서들은 리스트로 생성되고, 생성된 리스트들은 데이터 학습부(300)에 송신된다. 여기서, 운전자의 운전 패턴에 대한 영향을 많이 미치는 주요 센서들은 운전자의 집적적인 운전 습관에 따라 차량에 구비된 센서가 감지할 수 있는 센서들로서, 액셀 페달 센서, 조향 센서 등을 포함할 수 있다.

데이터 학습부(300)는 기계 학습 알고리즘을 통해 데이터 수집부(100)로부터 수신된 차량 데이터에서 각각의 운전자의 운전 패턴에 대한 모델을 생성한다. 이때 데이터 학습부(300)는 데이터 축소부(200)에 의해 선택된 주요 센서들을 활용하여 운전자의 운전 패턴에 대한 모델의 생성 시간을 단축시키고, 운전자의 운전 패턴에 대한 모델의 품질을 향상시킨다.

서비스 실행부(400)는 데이터 학습부(300)에 의해 생성된 운전자의 운전 패턴에 대한 모델을 이용하여 서비스를 실행한다. 서비스 실행부(400)는 데이터 수집부(100)로부터 새로운 차량 데이터가 수신되면, 운전자의 운전 패턴에 대한 생성된 모델에 적용하여 현재 운전자의 운전 성향 및 상태를 파악하고, 파악된 운전자의 성향 및 상태에 따른 서비스 실행 명령을 생성한다.

도 2는 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 기계 학습 알고리즘에서 다중트리 유전프로그래밍 알고리즘 방법을 설명하는 도면이다.

도 2를 참조하면, 운전자의 주행 패턴 인식 시스템은 개체(후보모델) 집합을 생성한다. 여기서, 개체 집합을 생성하는 방법은 개체를 구성하는 트리(tree)들을 랜덤으로 생성하여 초기 개체 집합을 생성한다(S11).

다음에는, 운전자의 주행 패턴 인식 시스템은 임의로 선별된 특징(센서) 집합을 각각의 진화 그룹에 할당한다(S13). 여기서, 각각의 진화그룹은 할당된 센서 데이터만을 개체(후보모델)에 사용할 수 있다.

다음으로, 운전자의 주행 패턴 인식 시스템은 개체의 적합도를 평가한다(S15). 즉, 각각의 개체가 문제(운전자 패턴)를 얼마나 잘 표현하는지에 대해서 수치적인 적합도를 평가한다. 이러한 개체의 적합도를 평가하는 방법은 학습용 차량 데이터를 기반으로 이루어지며 운전자의 운전 패턴에 대하여 모델링 된 정도를 평가 지표로 사용할 수 있다.

다음으로, 운전자의 주행 패턴 인식 시스템은 종료 조건을 판단한다(S17).

예를 들어, 운전자의 주행 패턴 인식 시스템은 다중트리 유전프로그래밍 알고리즘의 종료를 위한 조건부 또는 반복을 1000회 반복한 경우이거나, 전체 개체들이 모두 동일한 형상일 경우 중 이들 중 하나를 만족하면 다중트리 유전프로그래밍 알고리즘을 종료하고 최종의사결정을 한다.

다음에는, 운전자의 주행 패턴 인식 시스템은 다중트리를 선택한다(S19). 즉, 개체들 중 적합도가 높은 개체를 선택하여 다음 세대에도 생존할 수 있도록 하는데 적합도가 높은 개체는 중복해서 선택(복제)될 수 있고, 낮은 개체는 도태되어 사라질 수 있다.

다음으로, 운전자의 주행 패턴 인식 시스템은 다중트리를 교배한다(S21). 즉, 다중트리의 교배는 선택된 개체들이 서로의 형질을 교환하는 과정이고, 이를 통해 우성 개체들의 형질이 재조합된 자식 개체를 생성할 수 있다.

다음에는, 운전자의 주행 패턴 인식 시스템은 다중트리의 돌연변이를 생성한다(S23).

즉, 각 개체의 형질에 임의의 변이 현상이 일어나는 과정이고, 문제에서 기존 개체들의 재조합으로 탐색할 수 없는 범위를 탐색할 수 있도록 한다.

다음으로, 운전자의 주행 패턴 인식 시스템은 데이터의 가중치를 재분배한다(S25).

즉, 데이터의 가중치를 재분배하는 것은 각각의 데이터의 난이도를 개체들의 적합도에 기반하여 통계적으로 평가하고, 난이도에 기반한 가중치를 부여하는 것이다(S27).

예를 들어, 다중트리 유전프로그래밍 알고리즘의 시작 시에는 모두 1로 동일한 값의 가중치가 부여되지만, 반복이 진행됨에 따라 모델링이 어려운 데이터(모델링 한 개체가 적은 문제)는 가중치가 더 높아지고, 쉬운 데이터는 가중치가 낮아진다. 데이터의 가중치를 재분배한 이후에 개체 적합도 평가 단계에서는 이러한 가중치를 반영하여 개체들의 적합도를 평가한다.

다음에는, 운전자의 주행 패턴 인식 시스템은 다중트리의 투표를 통한 최종의사결정을 실시한다(S29).

또한, 17 단계에서 다중트리 유전프로그래밍 알고리즘의 반복이 종료되면 운전자의 주행 패턴 인식 시스템은 각각의 진화 그룹에서 적합도가 가장 높은 개체를 선별하고, 선별된 개체들의 의사결정을 모두 취합하여 다수결을 통해 하나의 최종의사를 도출할 수 있다.

도 3은 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 다중 트리 유전프로그래밍 알고리즘 방법에서 개체를 구성하는 내부 트리의 구조를 설명하는 도면이다.

도 3을 참조하면, 본 발명의 앙상블 다중트리 유전프로그래밍(Ensemble Multi-tree Genetic Programming) 알고리즘 방법은 종래의 다중 트리 유전프로그래밍 알고리즘과 같이 하나의 트리가 하나의 개체가 되는 것이 아니고, 다수의 트리를 하나의 개체로 구성한다.

이러한 하나의 개체에 구성되는 트리의 개수는 진화 그룹(1~n)의 개수를 의미한다.

또한, 하나의 트리는 연산자 노드와 잎새 노드로 구성되며, 연산자 노드는 하나의 수학 기호가 기억되고, 잎새 노드는 차량의 센서 데이터 중 하나가 변수로 기억되어 측정되는 수치 값이 입력되거나 임의의 상수가 입력될 수 있다.

이러한 하나의 트리(T₁)는 하기의 수학식 1과 같이 나타낼 수 있다.

[수학식 1]

각각의 트리에서 생성되는 수식들은 하나의 함수값으로 표현되며, 함수값이 음수인지 양수인지에 따라 분류될 수 있다.

도 4는 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 다중 트리 유전프로그래밍 알고리즘을 설계하는 방법을 설명하는 도면이다.

도 4를 참조하면, 운전자의 주행 패턴 인식 시스템은 개체들에서 임의로 선별된 특징(센서) 집합을 각각의 진화 그룹에 할당한다.

구체적으로, 운전자의 주행 패턴 인식 시스템은 선별된(완전한 상태) 특징 집합(S31)에서 m개의 집합으로 랜덤하게 샘플링하여 각각의 진화 그룹(진화 그룹 1부터 m까지)에 할당(S33, S35)하고, 각각의 진화 그룹에서 선별된 최적 모델들을 하나의 최종 모델(S37)로 구성한다.

도 5는 본 발명의 일실시예에 따른 운전자의 주행 패턴 인식 시스템의 다중 트리 유전프로그래밍 알고리즘을 설계하는 방법을 설명하는 도면이다.

도 5를 참조하면, 운전자의 주행 패턴 인식 시스템은 선별된(완전한 상태) 특징 집합(S51)에서 랜덤하게 샘플링하여 각각의 진화 그룹에 할당(S53)하고, 학습 과정에서 개체들로부터 통계적으로 데이터의 학습 난이도를 정의한다(S55). 다수의 개체들이 모델링에 실패한 데이터의 경우 높은 학습 난이도로 판정하고, 반대의 경우 낮은 학습 난이도로 판정한다. 이러한 학습 난이도는 가중치의 형태로 각 데이터에 할당된다. 개체의 적합도 평가 시 각 개체 모델의 분류 정확도 계산에 가중치가 반영된다(S57~S59).

즉, 개체는 가중치가 높은 데이터의 분류 성공 시에 가중치가 낮은 데이터를 분류했을 때보다 높은 적합도를 얻는다.

도 6은 본 발명의 일실시예에 따른 다중 트리 유전프로그래밍 알고리즘에서 선택 연산자를 설명하는 도면이다.

도 6을 참조하면, 다중 트리 유전프로그래밍 알고리즘은 후보 군의 진화를 위한 선택 연산자를 포함한다.

다중 트리 유전프로그래밍 알고리즘은 각각의 진화 그룹별로 우수한 적합성을 갖는 후보개체들을 다음 세대에 선정하기 위한 방법을 설계한다.

앨리티즘(Elitism)은 가장 우수한 적합도를 갖는 개체를 항상 다음 세대로 넘겨 우성 개체를 보존할 수 있도록 한다. 이와 같이 보존 대상이 되는 개체는 최고 적합도를 기록하고 동일하지 않은 개체들 모두가 포함된다. 동일하지 않은 개체의 판단 기준은 학습데이터의 분류 결과 조합을 이용한다. 데이터 분류 결과가 하나라도 다른 개체는 서로 다른 개체로 판단한다.

토너먼트(Tournament)는 종래의 범용적인 선택 연산자로 확률과 적합도에 기반하여 우수개체를 다음 세대의 후보 개체로 선정한다. 구체적으로, 임의로 선택 된 두 개 개체의 적합도를 서로 비교하여 높은 적합도를 갖는 개체를 다음 세대의 후보 개체 집합에 복제한다. 이러한 과정을 앨리티즘(Elitism)에 의해 선정된 x%의 개체들을 포함하여 전체 개체 수의 90%를 채울 때까지 반복한다.

전체 재구성(Reconstruct)는 완전히 새롭게 임의의 구조로 생성된 개체들을 다음 세대의 후보 개체 집합에 포함시킨다. 앨리티즘(Elitism)과 토너먼트(Tournament)로 생성된 90%와 전체 재구성 (Reconstruct)으로 생성된 10%가 다음 세대의 개체 집합이 되며, 세대가 진행되어도 집합은 동일한 개체 수를 유지한다.

도 7 및 도 8은 본 발명의 일실시예에 따른 다중 트리 유전프로그래밍 알고리즘에서 교배 연산자를 설명하는 도면이다.

도 7 및 도 8을 참조하면, 다중 트리 유전프로그래밍 알고리즘은 후보군의 진화를 위한 교배 연산자를 포함한다.

우성 개체들이 형질 교환을 통해 발전된 개체를 생성하는 방법인 교배 기법을 다중 트리 유전프로그래밍 알고리즘 방법에 적용가능 하도록 설계한다. 임의로 선택된 두 트리에서 하위 트리를 혼합(Mixing; A->A')하거나 전체 트리의 교체(Swapping; B->B')를 실시한다. 이러한 과정을 확률에 기반하여 여러 차례 반복한다. 이때, 한 진화그룹 내에서 두 개의 트리가 선택되어 실시되는 교배를 내부교배(C), 다른 진화그룹에서 선택된 경우 외부교배(D)로 정의하고, 각 교배의 확률을 다르게 정의한다. 문제의 효과적인 탐색과 유익한 개체의 보존을 위해서 내부교배는 80%의 발생 확률, 외부교배는 5%의 발생 확률로 정의할 수 있다.

도 9는 본 발명의 일실시예에 따른 다중트리 유전프로그래밍 알고리즘에서 돌연변이 연산자를 설명하는 도면이다.

도 9의 (a), (b) 및 (c)를 참조하면, 다중트리 유전프로그래밍 알고리즘은 후보군의 진화를 위한 돌연변이 연산자를 포함한다.

다중트리 유전프로그래밍 알고리즘은 서브 트리를 생성(Growing)하고, 서브 트리를 제거(Pruning)하거나, 연산자를 변이(Modifying)하는 세가지 방법을 개체 내 임의의 트리에서 임의의 노드로 선택하여 수행할 수 있다.

도 10은 본 발명의 일실시예에 따른 다중트리 유전프로그래밍 알고리즘에서 운전자 패턴의 분류를 위한 의사결정 과정을 설명하는 도면이다.

도 10을 참조하면, 다중트리 유전프로그래밍 알고리즘에서 운전자의 주행 패턴 분류를 위한 의사결정은 다중트리 유전프로그래밍 알고리즘의 종료 조건 만족 시, 도출된 후보해 모델들 중 각각의 그룹의 최적 후보해(E)를 선별하여 분류 결과를 종합하고, 투표에 의해 결합되는 하나의 최종 분류 결과(F, 분류기)를 도출하며, 집단 지성의 특성에 따라 우수한 단일 분류기의 학습 및 분류 능력보다 다수의 분류기를 활용한 접근 방법으로써, 더 높은 분류 정확도의 획득이 가능하다.

전술한 바와 같이, 본 기술은 차량에서 제공하는 차량 데이터를 이용하여 운전자의 패턴을 다중트리 유전프로그래밍 알고리즘 방법에 적용하여 학습 및 분류하고, 학습된 운전자 모델의 주행 성향을 학습 및 분석함으로써 운전자의 위험도를 정의할 수 있으며, 학습되지 않은 데이터의 위험도에 대한 실시간 처리가 가능한 기술이다.

이상, 본 발명은 비록 한정된 구성과 도면에 의해 설명되었으나, 본 발명의 기술적 사상은 이러한 것에 한정되지 않으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해, 본 발명의 기술적 사상과 하기 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형 실시가 가능할 것이다.

Claims

차량의 운행 데이터를 수집하는 데이터 수집부;
상기 차량의 운행 데이터를 분석하여 운전자의 운전 패턴에 관련된 센서들을 선별하는 데이터 축소부;
기계 학습 알고리즘을 통해 수신된 차량의 운행 데이터에서 각각의 운전자의 운전 패턴에 대한 모델을 생성하는 데이터 학습부; 및
상기 생성된 운전자의 운전 패턴에 대한 모델을 이용하여 서비스를 실행하는 서비스 실행부
를 포함하는 것을 특징으로 하는 운전자의 주행 패턴 인식 시스템.
청구항 1에 있어서,
상기 기계 학습 알고리즘은 다중트리 유전프로그래밍 알고리즘 방법을 이용하는 것을 특징으로 하는 운전자의 주행 패턴 인식 시스템.
차량의 운행 데이터를 수집하는 단계;
상기 차량의 운행 데이터를 분석하여 운전자의 운전 패턴에 관련된 센서들을 선별하는 단계;
기계 학습 알고리즘을 통해 상기 수신된 차량의 운행 데이터에서 각각의 운전자의 운전 패턴에 대한 모델을 생성하는 단계; 및
상기 생성된 운전자의 운전 패턴에 대한 모델을 이용하여 서비스를 실행하는 단계
를 포함하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 3에 있어서,
상기 기계 학습 알고리즘은 다중트리 유전프로그래밍 알고리즘 방법을 이용하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 4에 있어서,
상기 다중트리 유전프로그래밍 알고리즘 방법은
개체(후보모델)의 집합을 생성하는 단계;
상기 생성된 개체의 집합에서 임의로 선별된 특징 집합을 각각의 진화 그룹에 할당하는 단계;
상기 개체의 적합도를 평가하는 단계;
상기 다중트리 유전프로그래밍 알고리즘의 종료 조건을 판단하는 단계;
상기 다중트리를 선택하는 단계;
상기 다중트리를 교배하는 단계;
상기 다중트리의 돌연변이를 생성하는 단계; 및
상기 개체들의 적합도에 기반하여 데이터의 가중치를 재분배하는 단계
를 포함하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 5에 있어서,
상기 개체의 집합을 생성하는 단계는,
상기 개체를 구성하는 트리(tree)들을 랜덤으로 생성하여 개체의 집합을 생성하는 단계를 포함하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 5에 있어서,
상기 각각의 진화 그룹에 할당하는 단계는
할당된 센서 데이터만을 개체에 사용하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 5에 있어서,
상기 개체의 적합도를 평가하는 단계는,
학습용 차량 데이터를 기반으로 운전자의 운전 패턴에 대하여 모델링된 정도를 평가 지표로 사용하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 5에 있어서,
상기 다중트리를 교배하는 단계는,
선택된 개체들이 서로의 형질을 교환하고, 이를 통해 우성 개체들의 형질이 재조합된 자식 개체를 생성하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 5에 있어서,
상기 데이터의 가중치를 재분배하는 단계는,
각각의 데이터의 난이도를 개체들의 적합도에 기반하여 통계적으로 평가하고, 난이도에 기반한 가중치를 부여하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.
청구항 5에 있어서,
상기 각각의 진화 그룹에서 적합도가 가장 높은 개체를 선별하고, 선별된 개체들의 의사결정을 모두 취합하여 다수결을 통해 하나의 최종의사를 결정하는 것을 특징으로 하는 운전자의 주행 패턴 인식 방법.