KR20180072525A - 경로 안내를 위한 전자 장치 및 이의 제어 방법 - Google Patents

경로 안내를 위한 전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20180072525A
KR20180072525A KR1020170141352A KR20170141352A KR20180072525A KR 20180072525 A KR20180072525 A KR 20180072525A KR 1020170141352 A KR1020170141352 A KR 1020170141352A KR 20170141352 A KR20170141352 A KR 20170141352A KR 20180072525 A KR20180072525 A KR 20180072525A
Authority
KR
South Korea
Prior art keywords
route
path
user
data
processor
Prior art date
Application number
KR1020170141352A
Other languages
English (en)
Inventor
강성민
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of KR20180072525A publication Critical patent/KR20180072525A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3667—Display of a road map
    • G01C21/3676—Overview of the route on the road map

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Navigation (AREA)

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 특히, 전자 장치의 제어 방법은 경로 안내를 위하여 목적지에 대한 정보를 입력받고, 목적지까지 도달하기 위한 복수의 경로를 획득하며, 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 복수의 경로 중 추천 경로를 판단하고, 추천 경로를 포함하는 경로 설정 UI를 제공한다.

Description

경로 안내를 위한 전자 장치 및 이의 제어 방법{An electronic device for navigation guide and method for controlling the electronic device thereof}
본 개시는 경로 안내를 위한 전자 장치 및 이의 제어 방법에 관한 것으로 더욱 상세하게는 사용자 운전 히스토리를 바탕으로 목적지까지의 경로를 추천하기 위한 전자 장치 및 이의 제어 방법에 관한 것이다.
또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 근래에는 자동차에 목적지까지의 경로를 안내하기 위한 전자 장치(예를 들어, 네비게이션 장치, 스마트 폰 등)가 제공되고 있다. 현재, 경로 안내를 위한 전자 장치는 실시간으로 교통 상황을 반영하여 목적지까지의 최적 경로를 추천하고 있다.
그러나, 교통 상황을 반영하여 목적지까지 최적의 경로를 추천하더라도 복잡하거나 모호한 경로(예를 들어, 연속하여 복수의 우/좌회전이 존재하는 경로 등)로 안내하는 경우, 사용자는 안내된 경로를 이탈하여 잘못된 경로로 주행하는 경우가 발생한다. 또한, 사용자에 따라 과속방지턱이 존재하는 길 신호등이 많은 길을 기피하는데 반해, 전자 장치는 이러한 사용자의 선호 경로를 반영하지 않고 오로지 최단 거리 또는 최단 시간의 경로를 추천하는 문제점이 발생한다.
따라서, 사용자의 운전 경험이나 운전 습관에 따라 안내된 경로를 진입하기 위한 능숙도에 차이가 존재하므로, 사용자의 운전 능숙도나 습관에 따라 최적의 경로를 제공하기 위한 방안의 모색이 요청된다. 또한, 사용자의 경로 선호도에 따라 최적의 경로를 제공하기 위한 방안의 모색이 요청된다.
본 개시는 사용자의 운전 경력, 운전 습관, 선호 경로 등과 같은 운전 히스토리를 분석하여 사용자에게 최적의 경로를 추천하기 위한 전자 장치 및 이의 제어 방법을 제공함에 목적이 있다.
상기 목적을 달성하기 위한 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은, 경로 안내를 위하여 목적지에 대한 정보를 입력받는 단계; 상기 목적지까지 도달하기 위한 복수의 경로를 획득하는 단계; 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로 중 추천 경로를 판단하는 단계; 및 상기 추천 경로를 포함하는 경로 설정 UI를 제공하는 단계;를 포함한다.
한편, 상기 목적을 달성하기 위한 본 개시의 일 실시예에 따른, 경로 안내를 위한 전자 장치는, 경로 안내를 위하여 목적지에 대한 정보를 입력받기 위한 입력부; 네비게이션 화면을 표시하기 위한 디스플레이; 및 상기 목적지까지 도달하기 위한 복수의 경로를 획득하며, 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로 중 추천 경로를 판단하며, 상기 추천 경로를 포함하는 경로 설정 UI를 제공하도록 상기 디스플레이를 제어하는 프로세서;를 포함한다.
전자 장치의 제어 방법을 수행하기 위한 프로그램이 저장된 컴퓨터가 판독가능한 기록 매체에 있어서, 상기 전자 장치의 제어 방법은, 경로 안내를 위하여 목적지에 대한 정보를 입력받는 단계; 상기 목적지까지 도달하기 위한 복수의 경로를 획득하는 단계; 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로 중 추천 경로를 판단하는 단계; 및 상기 추천 경로를 포함하는 경로 설정 UI를 제공하는 단계;를 포함한다.
상술한 바와 같은 본 발명의 다양한 실시예에 의해, 사용자는 최적화된 추천 경로 및 네비게이션 안내 서비스를 제공받을 수 있게 된다.
도 1은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 3은 본 개시의 일 실시예에 따른, 사용자의 운전 히스토리에 따라 추천 경로를 제공하기 위한 다양한 구성을 나타내는 블록도,
도 4는 본 개시의 일 실시예에 따른, 목적지 설정 UI를 도시한 도면,
도 5는 본 개시의 일 실시예에 따른, 사용자 정보 입력 UI를 도시한 도면,
도 6은 본 개시의 일 실시예에 따른, 추천 경로를 포함하는 경로 설정 UI를 도시한 도면,
도 7a 및 도 7b는 본 개시의 일 실시예에 따른, 사용자 운전 히스토리에 따라 상이한 방법으로 경로를 안내하는 방법을 설명하기 위한 도면,
도 8은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하는 흐름도,
도 9 내지 도 11은 본 개시의 일 실시예에 따른, 데이터 분석 모델을 학습시키고, 학습된 데이터 분석 모델을 이용하여 입력된 데이터를 분석하는 프로세서의 구성을 상세히 도시한 블록도들이다.
이하에서는 본 개시의 바람직한 실시 예가 첨부된 도면을 참조하여 상세히 설명한다. 본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단된 경우 그 상세한 설명은 생략한다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지는 않는다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 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 항목들의 조합 또는 복수의 관련된 항목들 중의 어느 하나의 항목을 포함한다.
본 명세서에서 사용한 용어는 실시 예를 설명하기 위해 사용된 것으로, 본 개시를 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 숫자, 동작, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 동작, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 또는 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
이하에서는 첨부된 도면을 이용하여 본 개시에 대하여 구체적으로 설명한다. 도 1은 본 개시의 일 실시예에 따른, 전자 장치(100)의 구성을 간략히 도시한 블럭도이다. 도 1에 도시된 바와 같이, 전자 장치(100)는 디스플레이(110), 입력부(120) 및 프로세서(130)를 포함한다. 이때, 전자 장치(100)는 스마트 폰일 수 있으나, 이는 일 실시예에 불과할 뿐, 네비게이션 장치, 태블릿 PC, 노트북 PC, PDA, 스마트 TV, 프로젝션 TV, 키오스크 등과 같은 다양한 전자 장치로 구현될 수 있다.
디스플레이(110)는 영상 데이터를 출력한다. 특히, 디스플레이(110)는 경로 안내를 위한 네비게이션 어플리케이션의 실행 화면을 제공할 수 있다. 구체적으로, 디스플레이(110)는 목적지 설정 UI, 사용자 정보 입력 UI, 경로 설정 UI와 같은 다양한 UI뿐만 아니라 경로 안내를 위한 네비게이션 화면을 제공할 수 있다.
입력부(120)는 전자 장치(100)를 제어하기 위한 사용자 명령을 입력받는다. 특히, 입력부(120)는 네비게이션 설정을 위한 다양한 사용자 명령을 입력받을 수 있다.
프로세서(130)는 전자 장치(100)의 전반적인 동작을 제어한다. 특히, 프로세서(130)는 목적지까지 도달하기 위한 복수의 경로를 획득하며, 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 복수의 경로 중 추천 경로를 판단하며, 추천 경로를 포함하는 경로 설정 UI를 제공하도록 디스플레이(110)를 제어할 수 있다.
구체적으로, 입력부(120)를 통해 목적지가 설정된 경우, 프로세서(130)는 기 저장된 경로 데이터베이스 또는 외부의 서버로부터 목적지까지 도달하기 위한 복수의 경로를 획득할 수 있다.
그리고, 프로세서(130)는 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 복수의 경로 중 추천 경로를 판단할 수 있다. 구체적으로, 프로세서(130)는 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 복수의 경로에 대한 가중치를 계산하며, 복수의 경로에 대한 가중치 중 가장 높은 가중치를 가지는 경로를 추천 경로로 판단할 수 있다. 이때, 프로세서(130)는 경로 이탈 히스토리를 바탕으로 사용자가 이탈하는 경로 특징을 분석하며, 분석된 경로 특징을 바탕으로 복수의 경로에 대한 가중치를 계산할 수 있다. 또한, 프로세서(130)는 경로 선택 히스토리 및 운전 습관 히스토리를 바탕으로 사용자가 선호하는 경로 특징을 분석하며, 분석된 경로 특징을 바탕으로 상기 복수의 경로에 대한 가중치를 계산할 수 있다. 또한, 프로세서(130)는 경로 이탈 히스토리 및 운전 습관 히스토리를 바탕으로 사용자의 운전 경력을 판단하며, 복수의 경로 중 판단된 운전 경력을 바탕으로 복수의 경로에 대한 가중치를 계산할 수 있다.
또한, 복수의 경로 중 추천 경로가 판단되면, 프로세서(130)는 추천 경로를 포함하는 경로 설정 UI를 제공할 수 있다. 이때, 경로 설정 UI는 추천 경로뿐만 아니라 복수의 경로 중 나머지 경로를 함께 포함할 수 있다. 이때, 프로세서(130)는 추천 경로가 복수의 경로 중 나머지 경로와 구별되어 표시되도록 디스플레이(110)를 제어할 수 있다.
또한, 목적지까지 경로가 설정된 경우, 프로세서(130)는 목적지까지 경로 안내를 수행하기 위한 네비게이션 화면을 표시하도록 디스플레이(110)를 제어할 수 있다. 이때, 프로세서(130)는 네비게이션 화면이 표시되는 동안 데이터 분석 모델을 바탕으로 경로 안내를 수행할 수 있다.
본 발명의 일 실시예로, 데이터 분석 모델을 바탕으로 기설정된 거리 내에 상기 사용자가 경로를 이탈한 경험이 있는 구간이 존재하면, 프로세서(130)는 구간에 대한 경로 안내 메시지의 출력 시작 시점, 출력 빈도 및 출력 세기 중 적어도 하나를 조절하여 경로 이탈 경험이 있는 구간에 대한 경로 안내 메시지를 출력할 수 있다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치(100)의 구성을 상세히 나타내는 블럭도이다. 도 2에 도시된 바와 같이, 전자 장치(100)는 디스플레이(110), 입력부(120), 메모리(140), 통신부(150), 영상 처리부(160), 오디오 처리부(170), 오디오 출력부(180), 감지부(190) 및 프로세서(130)를 포함한다.
디스플레이(110)는 전자 장치(100)에서 제공하는 각종 영상 컨텐츠, 정보, UI 등을 표시할 수 있다. 특히 디스플레이(110)는 네비게이션 어플리케이션의 다양한 실행 화면을 표시할 수 있다.
또한, 디스플레이(110)는 디스플레이 패널을 포함하며, 디스플레이 패널은 입력부(120)의 터치 패널과 함께 터치 스크린으로 구현될 수 있다.
입력부(120)는 전자 장치(100)를 조작하는 사용자 명령을 입력하여, 사용자 명령에 대한 정보를 프로세서(130)로 전송할 수 있다. 특히, 입력부(120)는 사용자 터치를 감지하기 위한 터치 패널, (디지털) 펜 센서, 키 등을 포함할 수 있다. 터치 패널은, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널은 제어 회로를 더 포함할 수도 있다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다. (디지털) 펜 센서는, 예를 들면, 터치 패널의 일부이거나, 별도의 요약용 쉬트를 포함할 수 있다. 키는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다.
그러나, 입력부(120)가 터치 패널, 펜 센서 등으로 구현되는 것은 일 실시예에 불과할 뿐, 사용자 발화를 입력받기 위한 마이크, 사용자 모션을 촬영하기 위한 카메라, 포인팅 디바이스 등과 같은 다양한 전자 장치로 구현될 수 있다.
메모리(140)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(140)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(140)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(140), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.
또한, 메모리(140)에는 디스플레이(130)의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다. 또한, 메모리(140)는 본 개시의 일 실시예에 따른, 사용자 운전 히스토리에 따라 최적의 경로를 추천하기 위한 다양한　 구성을 저장할 수도 있다.
구체적으로, 메모리(140)는 도 5에 도시된 바와 같이, 목적지 정보 획득부(310), 경로 생성부(320), 가중치 계산부(330), 추천 경로 선택부(340), 데이터 분석 모델(350), 주행기록 데이터베이스(DB)(360), 도로정보 데이터베이스(DB(370)를 포함할 수 있다.
목적지 정보 획득부(310)는 입력부(120)를 통해 입력된 사용자 명령에 따라 목적지 정보를 획득할 수 있다. 이때, 목적지 정보는 목적지 이름, 주소, 전화번호, 위도/경도 정보, 식별 코드 정보 등을 포함할 수 있다.
경로 생성부(320)는 목적지 정보 획득부(310)로부터 획득된 목적지 정보를 바탕으로 목적지까지 도달하기 위한 복수의 경로에 대한 정보를 획득할 수 있다. 이때, 경로 생성부(320)는 기저장된 맵 정보를 통해 현재 위치와 목적지 사이의 복수의 경로를 획득할 수 있다. 또는, 경로 생성부(320)는 외부의 맵 정보가 저장된 서버로 경로 정보 요청 신호를 전송하여 복수의 경로에 대한 정보를 획득할 수 있다.
가중치 계산부(330)는 데이터 분석 모델(350)을 이용하여 복수의 경로에 대한 가중치를 계산할 수 있다. 구체적으로, 가중치 계산부(330)는 데이터 분석 모델(350)을 통해 분석된 사용자의 운전 습관에 대한 정보, 운전 경력에 대한 정보, 선호 경로에 대한 정보를 바탕으로 복수의 경로에 대한 가중치를 계산할 수 있다.
이때, 데이터 분석 모델(350)은 학습 알고리즘을 통해 주행기록 DB(360) 및 도로정보 DB(370)에 저장된 데이터를 학습하여 사용자의 운전 히스토리를 분석할 수 있다. 이때, 주행기록 DB(360)는 사용자의 운전 히스토리를 판단하기 위한 다양한 데이터를 저장할 수 있다. 예를 들어, 사용자가 주행한 경로에 대한 데이터, 사용자 입력한 경로에 대한 데이터, 사용자의 경로 이탈에 대한 데이터가 주행기록 DB(360)에 저장될 수 있다. 또한, 도로정보 DB(370)는 도로 정보에 대한 데이터를 저장한다.
데이터 분석 모델(350)은 주행기록 DB(360) 및 도로정보 DB(370)를 통해 사용자의 운전 습관, 경력, 선호 경로 등을 분석할 수 있다. 구체적으로, 데이터 분석 모델(350)은 경로 이탈 히스토리를 바탕으로 사용자가 이탈하는 경로 특징을 분석할 수 있다. 또한, 데이터 분석 모델(350)은 경로 선택 히스토리 및 운전 습관 히스토리를 바탕으로 사용자가 선호하는 경로 특징을 분석할 수 있다. 또한, 데이터 분석 모델(350)은 경로 이탈 히스토리 및 운전 습관 히스토리를 바탕으로 사용자의 경력을 분석할 수 있다.
데이터 분석 모델(350)이 학습 알고리즘을 이용하여 사용자의 운전 히스토리에 대한 데이터를 학습하고, 입력된 경로 데이터를 분석하는 방법에 대해서는 추후도 9 내지 도 11을 참조하여 더욱 자세히 설명하기로 한다.
그리고, 가중치 계산부(330)는 데이터 분석 모델(350)에 의해 분석된 다양한 사용자 운전 정보를 바탕으로 복수의 경로에 대한 가중치를 계산할 수 있다. 즉, 가중치 계산부(330)는 사용자가 자주 이탈하는 경로의 특징이 무엇인지, 사용자가 선호하는 경로의 특징이 무엇인지, 사용자의 운전 경력이 오래되었는지 여부를 바탕으로 복수의 경로에 대한 가중치를 계산할 수 있다.
추천 경로 선택부(340)는 가중치 계산부(330)에 의해 계산된 복수의 경로에 대한 가중치를 바탕으로 추천 경로를 선택할 수 있다. 예를 들어, 추천 경로 선택부(340)는 복수의 경로 중 가중치가 가장 높은 경로를 추천 경로로 선택할 수 있다. 또는, 추천 경로 선택부(340)는 복수의 경로 중 임계값 이상의 적어도 하나의 경로를 추천 경로로 선택할 수 있다.
한편, 추천 경로 선택부(340)는 추천 경로를 안내하기 위한 시각적 피드백 또는 청각적 피드백을 제공할 수 있다. 일 예로, 추천 경로 선택부(340)는 추천 경로를 다른 경로와 구별되도록 하이라이트를 표시하거나 추천 경로의 색, 밝기, 깜빡임을 조절할 수 있다. 또 다른 예로, 추천 경로 선택부(340)는 추천 경로에 대한 음성 메시지를 제공할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 경로 생성부(320)는 복수의 경로를 생성할 때, 사용자 운전 히스토리를 기반으로 복수의 경로에 대한 정보를 획득할 수 있다. 즉, 경로 생성부(320)는 데이터 분석 모델(330)을 통해 분석된 사용자 운전 히스토리를 바탕으로 복수의 경로를 판단하여, 판단된 복수의 경로에 대한 정보를 획득할 수 있다.
프로세서(130)는 상술한 바와 같은 메모리(140)에 저장된 구성을 이용하여 추천 경로를 선택할 수 있다.
다시 도 2에 대해 설명하면, 통신부(150)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 통신부(150)는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩 중 적어도 하나를 포함할 수 있다. 프로세서(130)는 통신부(150)를 이용하여 외부 서버 또는 각종 외부 기기와 통신을 수행할 수 있다.
특히, 통신부(150)는 외부의 전자 장치(예를 들어, 스마트 폰, 네비게이션 장치, 서버 등)와 통신을 수행할 수 있다.
영상 처리부(160)는 다양한 소스로부터 수신한 영상 데이터에 대한 영상 처리를 수행한다. 영상 처리부(160)는 영상 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환, 해상도 변환과 같은 다양한 이미지 처리를 수행할 수 있다.
오디오 처리부(170)는 오디오 데이터에 대한 처리를 수행할 수 있다. 예를 들어, 오디오 처리부(170)는 오디오 데이터에 대한 디코딩, 증폭, 노이즈 필터링 등을 수행할 수 있다.
오디오 출력부(180)는 오디오 처리 모듈에서 처리한 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력할 수 있다.
감지부(190)는 전자 장치(100)의 상태를 감지하기 위한 다양한 센서를 포함한다. 특히, 감지부(190)는 전자 장치(100)의 위치를 감지하기 위한 GPS 센서, 전자 장치(100)의 움직임을 감지하기 위한 모션 센서(예를 들어, 가속도 센서, 자이로 센서, 전자기 센서 등), 차가 주행하는 경로를 촬영하기 위한 카메라 센서 등을 포함할 수 있다.
프로세서(130)는 전자 장치(100)의 다양한 구성(예를 들어, 디스플레이(110), 메모리(140) 및 입력부(120) 등)과 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 특히, 프로세서(130)는 메모리(140)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다.
구체적으로, 프로세서(130)는 감지부(190)를 통해 감지된 전자 장치(100)의 위치 정보를 바탕으로 목적지까지 도달하기 위한 복수의 경로를 획득하며, 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 복수의 경로 중 추천 경로를 판단하며, 추천 경로를 포함하는 경로 설정 UI를 제공하도록 디스플레이(110)를 제어할 수 있다.
구체적으로, 프로세서(130)는 사용자 명령에 따라 네비게이션 어플리케이션을 실행할 수 있다.
네비게이션 어플리케이션이 실행되는 동안 사용자가 목적지를 설정하기 위한 사용자 명령이 입력되면, 프로세서(130)는 도 4에 도시된 바와 같이, 목적지 설정 UI를 제공하도록 디스플레이(110)를 제어할 수 있다. 이때, 목적지 설정 UI에는 사용자 운전 히스토리를 반영하여 추천 경로를 획득하기 위한 아이콘이 포함될 수 있다. 그리고, 프로세서(130)는 목적지 설정 UI를 통해 입력된 사용자 터치에 따라 목적지에 대한 정보를 획득할 수 있다. 한편, 상술한 바와 같이, 목적지를 설정하기 위해 사용자 터치를 입력하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 펜 터치, 사용자 발화 등과 같은 다양한 입력을 통해 목적지를 설정할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 프로세서(130)는 사용자에 대한 정보를 획득하기 위해 도 5에 도시된 바와 같은 사용자 정보 입력 UI를 제공하도록 디스플레이(110)를 제어할 수 있다. 이때, 사용자 정보 입력 UI에는 사용자 이름, 연락처, 운전 경력 등과 같은 정보를 입력할 수 있으나, 이는 일 실시예에 불과할 뿐, 선호 경로, 경로 이탈 지점과 같은 구체적인 정보를 함께 입력할 수 있다.
　그리고, 프로세서(130)는 설정된 목적지에 대한 정보를 바탕으로 복수의 경로 정보를 획득할 수 있다. 구체적으로, 프로세서(130)는 GPS 센서를 통해 현재의 위치를 판단하고, 판단된 현재 위치 정보와 목적지에 대한 위치 정보를 바탕으로 복수의 경로 정보를 획득할 수 있다. 이때, 프로세서(130)는 기 저장된 맵 정보를 바탕으로 복수의 경로 정보를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부의 서버로부터 복수의 경로 정보를 획득할 수 있다.
이때, 복수의 경로 정보에는 최단 시간이 소요되는 경로에 대한 정보, 최단 거리의 경로에 대한 정보, 주행 비용이 가장 적게 소요되는 경로에 대한 정보, 고속 도로 위주의 경로에 대한 정보, 사용자가 선호 경로라고 지정한 경로에 대한 정보 등이 포함될 수 있다.
프로세서(130)는 학습 알고리즘을 통해 사용자 운전 히스토리가 학습된 데이터 분석 모델을 이용하여 복수의 경로 중 추천 경로를 판단할 수 있다. 구체적으로, 프로세서(130)는 경로 선택 히스토리, 경로 이탈 히스토리, 사용자가 주행한 경로 히스토리, 불특정 다수의 경로 이탈 히스토리를 데이터 분석 모델에 학습시켜 사용자의 운전 습관, 운전 경력, 선호 경로에 대한 정보를 획득할 수 있다.
또는, 프로세서(130)는 사용자가 직접 입력한 운전 경력에 대한 정보, 선호 경로에 대한 정보, 경로 이탈 지점에 대한 정보를 획득할 수 있다.
그리고, 프로세서(130)는 경로 히스토리를 바탕으로 경로 이탈 횟수 및 이탈 경로의 유형을 판단하고, 판단된 경로 이탈 횟수 및 이탈 경로의 유형에 따라 운전 능숙도를 판단할 수 있다.
구체적으로, 프로세서(130)는 설정된 경로대로 주행하지 않는 것으로 판단한 경우 경로를 이탈하였는지 여부를 판단할 수 있다. 예를 들어, 특정 IC에서 사용자가 경로를 이탈한 후, 좌/우회전 또는 유턴 등을 통해 원 경로로 돌아온 경우, 프로세서(130)는 경로를 이탈한 것으로 판단할 수 있다. 그러나, 경로를 이탈하여 새로운 경로를 진입한 경우, 프로세서(130)는 도로 정보를 바탕으로 경로를 이탈하지 않는 것으로 판단할 수 있다. 즉, 프로세서(130)는 넓은 도로, 신호등 설치 간격, 과속방지턱 간격 등 이탈한 도로의 특성을 분석하여 사용자가 의도적으로 새로운 경로로 진입한 것으로 판단할 수 있다.
사용자가 경로를 이탈한 것으로 판단된 경우, 프로세서(130)는 경로 이탈 횟수 및 경로 이탈 유형을 판단할 수 있다. 구체적으로, 사용자가 교통량이 많은 도로에서 좌/우회전을 미실시한 경우, 프로세서(130)는 사용자가 차선 변경의 미실시에 의한 경로 이탈로 판단할 수 있다. 또한, 고속도로 IC를 진입하지 않는 경우, 프로세서(130)는 사용자가 고속도로 IC의 미진입에 의한 경로 이탈을 판단할 수 있다. 그리고, 프로세서(130)는 경로 이탈 횟수 및 경로 이탈 유형에 따라 운전자의 운전 능숙도를 판단할 수 있다. 예를 들어, 사용자가 차선 변경의 미실시에 의한 경로 이탈을 판단한 경우, 프로세서(130)는 사용자의 운전 능숙도가 낮은 것으로 판단할 수 있다.
또한, 프로세서(130)는 사용자가 자주 선택한 경로 및 사용자의 운전 습관에 대한 정보를 바탕으로 사용자의 선호 경로를 판단할 수 있다. 예를 들어, 사용자가 고속도로를 포함하는 경로를 선택하거나 신호등을 피해 운전하는 경우, 프로세서(130)는 사용자가 고속도로 주행을 선호하는 것으로 판단할 수 있다. 또 다른 예로, 사용자가 강변 근처의 도로를 자주 선택하는 경우, 프로세서(130)는 사용자가 강변 도로를 선호하는 것으로 판단할 수 있다.
또한, 프로세서(130)는 사용자의 운전 습관 및 경로 이탈에 대한 히스토리를 바탕으로 사용자의 운전 경력을 판단할 수 있다. 예를 들어, 급출발/급정거가 많거나 차선변경을 하지 못하는 경우, 프로세서(130)는 사용자의 운전 경력이 낮은 것으로 판단할 수 있다. 또 다른 예로, 사용자의 경로 이탈 히스토리가 기설정된 횟수 이상인 경우, 프로세서(130)는 사용자의 운전 경력이 낮은 것으로 판단할 수 있다.
그리고, 프로세서(130)는 획득된 사용자의 운전 습관, 운전 경력, 선호 경로에 대한 정보를 바탕으로 복수의 경로에 대한 가중치를 계산할 수 있다. 예를 들어, 프로세서(130)는 사용자의 운전 습관, 운전 경력, 선호 경로 등을 바탕으로 사용자가 넓은 도로를 우선하는지, 교통량이 적은 도로를 우선하는지, 신호등 없는 도로를 우선하는지, 비보호 좌회전 없는 도로를 우선하는지, 과속방지턱 없는 도로를 우선하는지에 대한 가중치를 계산할 수 있다. 그러나, 상술한 바와 같이, 가중치를 계산하는 요소는 일 실시예에 불과할 뿐, 다른 요소(예를 들어, 전등이 설치된 도로인지 여부, 옆에 인도가 있는 도로인지 여부 등)를 이용하여 가중치를 계산할 수 있다.
그리고, 프로세서(130)는 계산 결과를 바탕으로 복수의 경로 중 적어도 하나의 추천 경로를 선택할 수 있다. 구체적으로, 프로세서(130)는 복수의 경로 중 가중치가 가장 높은 경로를 추천 경로로 선택할 수 있고, 복수의 경로 중 기설정된 값 이상의 가중치를 가지는 적어도 하나의 경로를 추천 경로로 선택할 수 있다.
그리고, 프로세서(130)는 추천 경로를 포함하는 경로 설정 UI를 제공하도록 디스플레이(110)를 제어할 수 있다. 구체적으로, 프로세서(130)는 도 6에 도시된 바와 같이, 추천 경로를 포함하는 경로 설정 UI를 제공하도록 디스플레이(110)를 제어할 수 있다. 이때, 추천 경로(1.경부고속도로->양재 IC->우면)는 도 6에 도시된 바와 같이, 다른 경로와 구별되게 표시될 수 있다. 일 예로, 프로세서(130)는 추천 경로에 하이라이트를 표시하여 다른 경로와 구별되게 표시할 수 있으며, 추천 경로의 색, 밝기, 깜빡임등을 조절하여 다른 경로와 구별되게 표시할 수 있다. 또는 프로세서(130)는 추천 경로에 대한 음성 메시지를 제공하도록 오디오 출력부(180)를 제어할 수 있다.
또한, 경로 설정 UI에 포함된 복수의 경로는 사용자 입력에 따라 가중치 순 또는 난이도 순으로 정렬될 수 있다. 난이도 순으로 정렬된 경우, 경로 설정 UI에 포함된 복수의 경로에 대해 난이도가 높은 경로일수록 붉은색을 가지도록 하며, 난이도가 낮은 경로일수록 녹색을 가지도록 할 수 있다.
경로 설정 UI를 통해 복수의 경로 중 하나가 설정된 경우, 프로세서(130)는 설정된 경로에 따라 목적지까지 경로 안내를 수행하기 위한 네비게이션 화면을 표시하도록 디스플레이(110)를 제어할 수 있다.
네비게이션 화면이 표시되는 동안 프로세서(130)는 데이터 분석 모델을 바탕으로 경로 안내를 수행할 수 있다. 구체적으로, 데이터 분석 모델을 바탕으로 기설정된 거리 내에 사용자가 경로를 이탈한 경험이 있는 구간이 존재하면, 프로세서(130)는 구간에 대한 경로 안내 메시지의 출력 시작 시점, 출력 빈도 및 출력 세기 중 적어도 하나를 조절하여 구간에 대한 경로 안내 메시지를 출력할 수 있다.
구체적으로, 프로세서(130)는 사용자가 경로를 이탈한 경험이 있는지 여부에 따라 네비게이션 화면의 확대 여부를 결정할 수 있다. 구체적으로, 사용자가 경로를 이탈한 경험이 없는 일반적인 구간인 경우, 프로세서(130)는 도 7a에 도시된 바와 같이, 축소된 화면을 제공하도록 디스플레이(110)를 제어하며, 사용자가 경로를 이탈한 경험이 있는 구간인 경우, 프로세서(130)는 도 7b에 도시된 바와 같이, 확대된 화면을 제공하도록 디스플레이(110)를 제어할 수 있다.
또 다른 실시예에 의하면, 프로세서(130)는 사용자가 경로를 이탈한 경험이 있는지 여부에 따라 경로 안내 팝업의 크기, 종류, 색상, 노출 주기를 결정할 수 있다. 구체적으로, 사용자가 경로를 이탈한 경험이 있는 구간인 경우, 프로세서(130)는 경로 안내 팝업의 크기를 더욱 크게 하며, 경로 안내 팝업의 색상을 더욱 선명하게 하며, 경로 안내 팝업이 더욱 자주 노출되도록 디스플레이(110)를 제어할 수 있다.
또 다른 실시예에 의하면, 프로세서(130)는 사용자가 경로를 이탈한 경험이 있는지 여부에 따라 화면을 분할하거나 분할된 화면의 크기를 조절할 수 있다. 구체적으로, 사용자가 경로를 이탈한 경험이 있는 구간인 경우, 프로세서(130)는 화면을 분할하여 분할된 화면에 안내 메시지를 제공하거나 더욱 큰 분할된 화면에 안내 메시지를 제공도록 디스플레이(110)를 제어할 수 있다.
그 밖에 프로세서(130)는 사용자가 경로를 이탈한 경험이 있는 구간에 대해 더욱 자주 깜빡이도록 제어하거나 증강 현실 효과를 가지는 안내 메시지를 제공하도록 디스플레이(110)를 제어할 수 있다.
또한, 프로세서(130)는 사용자가 경로를 이탈한 경험이 있는 구간에 대한 시각적인 안내 메시지 이외에 청각적인 안내 메시지를 제공할 수 있다. 구체적으로, 프로세서(130)는 사용자가 경로를 이탈한 경험이 있는 구간에 대해 음량이 크거나 더욱 자주 안내 메시지를 출력하도록 오디오 출력부(180)를 제어할 수 있다. 또한, 프로세서(130)는 사용자가 경로를 이탈한 경험이 있는 구간에 대한 경고음을 출력하도록 오디오 출력부(180)를 제어할 수 있다.
한편, 상술한 실시예에서는 사용자가 경로를 이탈한 경험이 있는 구간에 대해 시각적/청각적 안내 메시지를 제공하는 특징이 개시되어 있으나, 이는 일 실시예에 불과할 뿐, 데이터 분석 모델에 의해 분석된 사용자 운전 습관, 경력 등에 따라 시각적/청각적 안내 메시지를 제공할 수 있다. 예를 들어, 사용자가 과속방지턱을 기피하는 경우, 프로세서(130)는 과속방지턱이 있는 구간에 대해 시각적/청각적 안내 메시지를 제공할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 네비게이션 어플리케이션이 실행된 경우, 추천 경로를 제공할 수 있으나, 이는 일 실시예에 불과할 뿐, 자동차가 자율 주행을 수행하는 경우, 상술한 바와 같은 방법으로 경로를 추천할 수 있다.
도 8은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치(100)는 경로 안내를 위하여 목적지에 대한 정보를 입력받는다(S810). 구체적으로, 전자 장치(100)는 사용자 터치 또는 사용자 발화와 같은 사용자 명령에 따라 경로 안내를 위한 목적지에 대한 정보를 입력받을 수 있다.
그리고, 전자 장치(100)는 목적지까지 도달하기 위한 복수의 경로를 획득한다(S820). 구체적으로, 전자 장치(100)는 기저장된 맵 정보 또는 외부의 서버를 이용하여 복수의 경로를 획득할 수 있다.
그리고, 전자 장치(100)는 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 복수의 경로 중 추천 경로를 판단한다(S830). 구체적으로, 전자 장치(100)는 사용자 운전 히스토리를 바탕으로 학습된 데이터 분석 모델을 이용하여 사용자 운전 습관, 운전 경력, 선호 경로 등을 판단하고, 판단된 사용자 운전 습관, 운전 경력, 선호 경로를 바탕으로 복수의 경로에 대한 가중치를 계산하며, 계산된 가중치에 따라 추천 경로를 판단할 수 있다.
그리고, 전자 장치(100)는 추천 경로를 포함하는 경로 설정 UI를 제공한다.(S840). 구체적으로, 전자 장치(100)는 적어도 하나의 추천 경로를 포함하는 경로 설정 UI를 제공하며, 경로 설정 UI 중 사용자에 의해 선택된 경로에 따라 네비게이션 기능을 수행할 수 있다.
상술한 바와 같은 본 발명의 실시예에 의해, 사용자는 최적화된 추천 경로 및 네비게이션 안내 서비스를 제공받을 수 있게 된다.
이하에서는 도 9 내지 도 11을 참조하여 본 개시의 일 실시예에 따른, 데이터 분석 모델을 학습시키고, 학습된 데이터 분석 모델을 이용하여 입력된 데이터를 분석하는 프로세서의 구성을 상세히 도시한 블록도들이다.
도 9에 도시된 바와 같이, 본 발명의 일 실시예에 따른 프로세서(130)는 데이터 학습부(131) 및 데이터 분석부(132)를 포함할 수 있다.
데이터 학습부(131)는 사용자의 운전 히스토리를 분석하기 위한 기준을 학습할 수 있다. 데이터 학습부(131)는 사용자의 운전 히스토리를 분석하기 위하여 어떤 분석 데이터를 이용할지, 분석 데이터를 이용하여 사용자 운전 히스토리를 어떻게 분석할지에 관한 기준을 학습할 수 있다. 데이터 학습부(131)는 학습에 이용될 분석 데이터를 획득하고, 획득된 분석 데이터를 후술할 데이터 분석 모델에 적용함으로써, 사용자의 운전 히스토리를 분석하기 위한 기준을 학습할 수 있다.
데이터 분석부(132)는 분석 데이터에 기초하여 사용자의 추천 경로를 판단할 수 있다. 데이터 분석부(132)는 학습된 데이터 분석 모델을 이용하여, 소정의 데이터로부터 사용자의 운전 히스토리를 분석하여 최적의 경로를 제공할 수 있다. 데이터 분석부(132)는 학습에 의한 기설정된 기준에 따라 소정의 분석 데이터를 획득하고, 획득된 분석 데이터를 입력 값으로 하여 데이터 분석 모델을 이용함으로써, 소정의 분석 데이터에 기초한 추천 경로를 제공할 수 있다. 또한, 획득된 분석 데이터를 입력 값으로 하여 데이터 분석 모델에 의해 출력된 결과 값은, 데이터 분석 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(131) 및 데이터 분석부(132) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 데이터 학습부(131) 및 데이터 분석부(132) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치(100)에 탑재될 수도 있다.
이 경우, 데이터 학습부(131) 및 데이터 분석부(132)는 하나의 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(131) 및 데이터 분석부(132) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(131) 및 데이터 분석부(132)는 유선 또는 무선으로 통하여, 데이터 학습부(131)가 구축한 모델 정보를 데이터 분석부(132)로 제공할 수도 있고, 데이터 분석부(132)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(131)로 제공될 수도 있다.
한편, 데이터 학습부(131) 및 데이터 분석부(132) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(131) 및 데이터 분석부(132) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 10a는 일부 실시예에 따른 데이터 학습부(131)의 블록도이다.
도 10a를 참조하면, 일부 실시예에 따른 데이터 학습부(131)는 데이터 획득부(131-1), 전처리부(131-2), 학습 데이터 선택부(131-3), 모델 학습부(131-4) 및 모델 평가부(131-5)를 포함할 수 있다.
데이터 획득부(131-1)는 사용자의 운전 히스토리를 분석하는데 필요한 학습 데이터를 획득할 수 있다. 이때, 데이터 획득부(131-1)는 학습 데이터로 사용자의 주행 기록에 대한 데이터, 차량 내의 카메라에 의해 촬영된 영상 데이터, 도로 정보 데이터 등을 획득할 수 있다. 또는, 데이터 획득부(131-1)는 사용자 이외의 타인의 주행 기록에 대한 데이터, 경로 이탈 경험에 대한 데이터 등을 획득할 수 있다.
전처리부(131-2)는 사용자의 운전 히스토리를 분석하기 위한 학습에 획득된 학습 데이터가 이용될 수 있도록, 획득된 학습 데이터를 전처리할 수 있다. 전처리부(131-2)는 후술할 모델 학습부(131-4)가 사용자의 운전 히스토리의 분석을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기설정된 포맷으로 가공할 수 있다. 예를 들어, 사용자의 주행 기록에 대한 데이터를 히스토그램 형태로 처리하거나 차량 내의 카메라에 의해 촬영된 영상 데이터를 기설정된 포맷으로 처리할 수 있다.
　학습 데이터 선택부(131-3)는 전처리된 학습 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(131-4)에 제공될 수 있다. 학습 데이터 선택부(131-3)는 사용자의 운전 히스토리를 분석하기 위한 기 설정된 기준에 따라, 전처리된 학습 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(131-3)는 후술할 모델 학습부(131-4)에 의한 학습에 의해 기 설정된 기준에 따라 학습 데이터를 선택할 수도 있다. 예를 들어, 학습 데이터 선택부(131-3)는 특정 시간대, 특정 장소의 주행 기록에 대한 데이터만을 선택할 수 있다.
다만, 학습 데이터 선택부(131-3)는 전처리된 학습 데이터 중 일부의 학습 데이터를 선택할 수 있으나, 이는 일 실시예에 불과할 뿐, 전처리된 모든 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(131-3)는 전처리부(131-2)에 의한 전처리 단계 이전에 학습 데이터를 선택할 수 있음은 물론이다.
모델 학습부(131-4)는 학습 데이터에 기초하여 사용자의 운전 히스토리(예를 들어, 사용자의 운전 습관, 운전 경력, 선호 경로)를 어떻게 분석할지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(131-4)는 사용자의 운전 히스토리를 분석하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 기준을 학습할 수도 있다. 이때, 모델 학습부(131-4)는 사용자의 운전 히스토리를 분석하기 위한 사용자의 주행 기록 패턴 등을 학습할 수 있다.
또한, 모델 학습부(131-4)는 사용자의 운전 히스토리를 분석하기 위해 이용되는 데이터 분석 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 분석 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 분석 모델은 기본 학습 데이터(예를 들어, 텍스트 데이터, 위치 정보에 관한 데이터 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 분석 모델은, 데이터 분석의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 분석 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 분석 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(131-4)는 미리 구축된 데이터 분석 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 분석 모델을 학습할 데이터 분석 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기분류되어 있을 수 있으며, 데이터 분석 모델은 데이터의 타입별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(131-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 분석 모델을 학습시킬 수 있다.
또한, 모델 학습부(131-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 분석 모델을 학습시킬 수 있다. 또한, 모델 학습부(131-4)는, 예를 들어, 별다른 지도없이 사용자의 운전 히스토리를 분석하기 위해 필요한 데이터의 종류를 스스로 학습함으로써, 사용자의 운전 히스토리 분석을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 분석 모델을 학습시킬 수 있다. 또한, 모델 학습부(131-4)는, 예를 들어, 학습에 따른 사용자의 운전 히스토리 분석의 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 분석 모델을 학습시킬 수 있다.
또한, 데이터 분석 모델이 학습되면, 모델 학습부(131-4)는 학습된 데이터 분석 모델을 저장할 수 있다. 이 경우, 모델 학습부(131-4)는 학습된 데이터 분석 모델을 데이터 분석부(132)를 포함하는 전자 장치(100)의 메모리(140)에 저장할 수 있다. 또는, 모델 학습부(131-4)는 학습된 데이터 분석 모델을 전자 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 분석 모델이 저장되는 메모리(140)는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리(140)는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(131-5)는 데이터 분석 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(131-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 분석 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(131-5)는 평가 데이터에 대한 학습된 데이터 분석 모델의 분석 결과 중에서, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 분석 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 분석 결과를 출력하는 경우, 모델 평가부(131-5)는 학습된 데이터 분석 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 분석 모델이 복수 개가 존재하는 경우, 모델 평가부(131-5)는 각각의 학습된 데이터 분석 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 분석 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(131-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 분석 모델로서 결정할 수 있다.
한편, 데이터 학습부(131) 내의 데이터 획득부(131-1), 전처리부(131-2), 학습 데이터 선택부(131-3), 모델 학습부(131-4) 및 모델 평가부(131-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(131-1), 전처리부(131-2), 학습 데이터 선택부(131-3), 모델 학습부(131-4) 및 모델 평가부(131-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(131-1), 전처리부(131-2), 학습 데이터 선택부(131-3), 모델 학습부(131-4) 및 모델 평가부(131-5)는 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(131-1), 전처리부(131-2), 학습 데이터 선택부(131-3), 모델 학습부(131-4) 및 모델 평가부(131-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(131-1), 전처리부(131-2), 학습 데이터 선택부(131-3), 모델 학습부(131-4) 및 모델 평가부(131-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(131-1), 전처리부(131-2), 학습 데이터 선택부(131-3), 모델 학습부(131-4) 및 모델 평가부(131-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 10b는 일부 실시예에 따른 데이터 분석부(132)의 블록도이다.
도 10b를 참조하면, 일부 실시예에 따른 데이터 분석부(132)는 데이터 획득부(132-1), 전처리부(132-2), 분석 데이터 선택부(132-3), 분석 결과 제공부(132-4) 및 모델 갱신부(132-5)를 포함할 수 있다.
데이터 획득부(132-1)는 분석 데이터(예를 들어, 사용자의 주행 기록에 대한 데이터, 차량 내의 카메라에 의해 촬영된 영상 데이터, 도로 정보 데이터 등)를 바탕으로 추천 경로를 판단하는데 필요한 데이터(사용자의 운전 습관, 운전 경력, 선호 경로에 대한 정보)를 획득할 수 있으며, 전처리부(132-2)는 추천 경로를 판단하기 위해 획득된 분석 데이터가 이용될 수 있도록, 획득된 분석 데이터를 전처리할 수 있다. 전처리부(132-2)는 후술할 분석 결과 제공부(132-4)가 추천 경로의 판단을 위하여 획득된 분석 데이터를 이용할 수 있도록, 획득된 분석 데이터를 기 설정된 포맷으로 가공할 수 있다.
분석 데이터 선택부(132-3)는 전처리된 분석 데이터 중에서 추천 경로 판단에 필요한 분석 데이터를 선택할 수 있다. 선택된 분석 데이터는 분석 결과 제공부(132-4)에게 제공될 수 있다. 분석 데이터 선택부(132-3)는 추천 경로 판단을 위한 기 설정된 기준에 따라, 전처리된 분석 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 분석 데이터 선택부(132-3)는 후술할 모델 학습부(131-4)에 의한 학습에 의해 기 설정된 기준에 따라 분석 데이터를 선택할 수도 있다.
분석 결과 제공부(132-4)는 선택된 분석 데이터를 데이터 분석 모델에 적용하여 추천 경로를 판단하는데 필요한 데이터를 제공할 수 있다. 분석 결과 제공부(132-4)는 추천 경로의 판단 목적에 따른 분석 결과를 제공할 수 있다. 분석 결과 제공부(132-4)는 분석 데이터 선택부(132-3)에 의해 선택된 분석 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 분석 모델에 적용할 수 있다. 또한, 분석 결과는 데이터 분석 모델에 의해 결정될 수 있다.
모델 갱신부(132-5)는 분석 결과 제공부(132-4)에 의해 제공되는 분석 결과에 대한 평가에 기초하여, 데이터 분석 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(132-5)는 분석 결과 제공부(132-4)에 의해 제공되는 분석 결과를 모델 학습부(131-4)에게 제공함으로써, 모델 학습부(131-4)가 데이터 분석 모델(예를 들어, 선호도 등)을 갱신하도록 할 수 있다.
한편, 데이터 분석부(132) 내의 데이터 획득부(132-1), 전처리부(132-2), 분석 데이터 선택부(132-3), 분석 결과 제공부(132-4) 및 모델 갱신부(132-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(132-1), 전처리부(132-2), 분석 데이터 선택부(132-3), 분석 결과 제공부(132-4) 및 모델 갱신부(132-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(132-1), 전처리부(132-2), 분석 데이터 선택부(132-3), 분석 결과 제공부(132-4) 및 모델 갱신부(132-5)는 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(132-1), 전처리부(132-2), 분석 데이터 선택부(132-3), 분석 결과 제공부(132-4) 및 모델 갱신부(132-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(132-1), 전처리부(132-2), 분석 데이터 선택부(132-3), 분석 결과 제공부(132-4) 및 모델 갱신부(132-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(132-1), 전처리부(132-2), 분석 데이터 선택부(132-3), 분석 결과 제공부(132-4) 및 모델 갱신부(132-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
상술한 바와 같이, 프로세서(130)는 학습 알고리즘을 이용하여 생성된 데이터 분석 모델을 이용하여 사용자 운전 히스토리에 따른 추천 경로를 제공할 수 있다.
한편, 상술한 실시예에서는 전자 장치(100)가 사용자의 운전 히스토리를 학습하여 추천 경로를 판단하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 외부의 서버와 연동하여 사용자의 운전 히스토리를 학습하여 추천 경로를 판단할 수 있다.
도 11은 일부 실시예에 따른 전자 장치(100) 및 서버(1100)가 서로 연동함으로써 사용자의 운전 히스토리를 학습하여 추천 경로를 판단하는 예시를 나타내는 도면이다.
도 11을 참조하면, 서버(1100)는 사용자의 운전 히스토리를 학습할 수 있으며, 전자 장치(100)는 서버(1100)에 의한 학습 결과에 기초하여 생성된 데이터 분석 모델을 이용하여 추천 경로를 제공할 수 있다.
이 경우, 서버(1100)는 도 3에 도시된 데이터 학습부(131)의 기능을 수행할 수 있다. 서버(1100)의 모델 학습부(1140)는 추천 경로 또는 복수의 경로를 판단하기 위해 필요한 운전 히스토리를 분석하기 위하여 어떤 데이터를 이용할지, 데이터를 이용하여 운전 히스토리를 어떻게 분석할지에 관한 기준을 학습할 수 있다. 모델 학습부(1140)는 학습에 이용될 소비 패턴에 대한 데이터를 획득하고, 획득된 데이터를 후술할 데이터 분석 모델에 적용함으로써, 추천 경로 판단을 위한 기준을 학습할 수 있다.
또한, 전자 장치(100)의 분석 결과 제공부(132-4)는 분석 데이터 선택부(132-3)에 의해 선택된 분석 데이터를 서버(1100)에 의해 생성된 데이터 분석 모델에 적용하여 추천 경로를 판단할 수 있다. 예를 들어, 분석 결과 제공부(132-4)는 분석 데이터 선택부(132-3)에 의해 선택된 분석 데이터를 서버(1100)에게 전송하고, 서버(1100)가 분석 데이터 선택부(132-3)에 의해 선택된 데이터를 데이터 분석 모델에 적용하여 추천 경로를 판단할 수 있다. 또한, 분석 결과 제공부(132-4)는 서버(1100)에 의해 생성된 분석된 추천 경로에 관한 정보를 서버(1100)로부터 수신할 수 있다. 또는, 전자 장치(100)의 분석 결과 제공부(132-4)는 서버(1100)에 의해 생성된 데이터 분석 모델을 서버(1100)로부터 수신하고, 수신된 데이터 분석 모델을 이용하여 추천 경로를 판단할 수 있다. 이 경우, 전자 장치(100)의 분석 결과 제공부(132-4)는 분석 데이터 선택부(132-3)에 의해 선택된 데이터를 서버(1100)로부터 수신된 데이터 분석 모델에 적용하여 추천 경로를 판단할 수 있다.
본 개시에서 사용된 용어 "~부"는 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
110: 디스플레이 120: 입력부
130: 프로세서 140: 메모리
150: 통신부 160: 영상 처리부
170: 오디오 처리부 180: 오디오 출력부
190: 감지부

Claims (19)

  1. 전자 장치의 제어 방법에 있어서,
    경로 안내를 위하여 목적지에 대한 정보를 입력받는 단계;
    상기 목적지까지 도달하기 위한 복수의 경로를 획득하는 단계;
    사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로 중 추천 경로를 판단하는 단계;
    상기 추천 경로를 포함하는 경로 설정 UI를 제공하는 단계;를 포함하는 제어 방법.
  2. 제1항에 있어서,
    상기 판단하는 단계는,
    상기 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로에 대한 가중치를 계산하는 단계;
    상기 복수의 경로에 대한 가중치 중 가장 높은 가중치를 가지는 경로를 추천 경로로 판단하는 단계;를 포함하는 제어 방법.
  3. 제2항에 있어서,
    상기 계산하는 단계는,
    경로 이탈 히스토리를 바탕으로 사용자가 이탈하는 경로 특징을 분석하는 단계; 및
    상기 분석된 경로 특징을 바탕으로 상기 복수의 경로에 대한 가중치를 계산하는 단계;를 포함하는 것을 특징으로 하는 제어 방법.
  4. 제2항에 있어서,
    상기 계산하는 단계는,
    경로 선택 히스토리 및 운전 습관 히스토리를 바탕으로 상기 사용자가 선호하는 경로 특징을 분석하는 단계; 및
    상기 분석된 경로 특징을 바탕으로 상기 복수의 경로에 대한 가중치를 계산하는 단계;를 포함하는 것을 특징으로 하는 제어 방법.
  5. 제2항에 있어서,
    상기 계산하는 단계는,
    상기 경로 이탈 히스토리 및 운전 습관 히스토리를 바탕으로 사용자의 운전 경력을 판단하는 단계;
    상기 복수의 경로 중 상기 판단된 운전 경력을 바탕으로 상기 복수의 경로에 대한 가중치를 계산하는 단계;를 포함하는 것을 특징으로 하는 제어 방법.
  6. 제1항에 있어서,
    상기 경로 설정 UI는 복수의 경로를 포함하며,
    상기 추천 경로가 상기 복수의 경로 중 나머지 경로와 구별되도록 표시되는 것을 특징으로 하는 제어 방법.
  7. 제1항에 있어서,
    상기 목적지까지 경로 안내를 수행하기 위한 네비게이션 화면을 표시하는 단계; 및
    상기 네비게이션 화면이 표시되는 동안 상기 데이터 분석 모델을 바탕으로 경로 안내를 수행하는 단계;를 더 포함하는 제어 방법.
  8. 제7항에 있어서,
    상기 수행하는 단계는,
    상기 데이터 분석 모델을 바탕으로 기설정된 거리 내에 상기 사용자가 경로를 이탈한 경험이 있는 구간이 존재하면, 상기 구간에 대한 경로 안내 메시지의 출력 시작 시점, 출력 빈도 및 출력 세기 중 적어도 하나를 조절하여 상기 구간에 대한 경로 안내 메시지를 출력하는 것을 특징으로 하는 제어 방법.
  9. 제1항에 있어서,
    상기 제공하는 단계는,
    상기 복수의 경로 중 추천 경로를 안내하기 위한 시각적 또는 청각적 피드백을 제공하는 것을 특징으로 하는 제어 방법.
  10. 경로 안내를 위한 전자 장치에 있어서,
    경로 안내를 위하여 목적지에 대한 정보를 입력받기 위한 입력부;
    네비게이션 화면을 표시하기 위한 디스플레이;
    상기 목적지까지 도달하기 위한 복수의 경로를 획득하며, 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로 중 추천 경로를 판단하며, 상기 추천 경로를 포함하는 경로 설정 UI를 제공하도록 상기 디스플레이를 제어하는 프로세서;를 포함하는 전자 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로에 대한 가중치를 계산하며, 상기 복수의 경로에 대한 가중치 중 가장 높은 가중치를 가지는 경로를 추천 경로로 판단하는 것을 특징으로 하는 전자 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    경로 이탈 히스토리를 바탕으로 사용자가 이탈하는 경로 특징을 분석하며, 상기 분석된 경로 특징을 바탕으로 상기 복수의 경로에 대한 가중치를 계산하는 것을 특징으로 하는 전자 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    경로 선택 히스토리 및 운전 습관 히스토리를 바탕으로 상기 사용자가 선호하는 경로 특징을 분석하며, 상기 분석된 경로 특징을 바탕으로 상기 복수의 경로에 대한 가중치를 계산하는 것을 특징으로 하는 전자 장치.
  14. 제11항에 있어서,
    상기 프로세서는,
    상기 경로 이탈 히스토리 및 운전 습관 히스토리를 바탕으로 사용자의 운전 경력을 판단하며, 상기 복수의 경로 중 상기 판단된 운전 경력을 바탕으로 상기 복수의 경로에 대한 가중치를 계산하는 것을 특징으로 하는 전자 장치.
  15. 제10항에 있어서,
    상기 경로 설정 UI는 복수의 경로를 포함하며,
    상기 프로세서는,
    상기 추천 경로가 상기 복수의 경로 중 나머지 경로와 구별되어 표시되도록 상기 디스플레이를 제어하는 것을 특징으로 하는 전자 장치.
  16. 제10항에 있어서,
    상기 프로세서는,
    상기 목적지까지 경로 안내를 수행하기 위한 네비게이션 화면을 표시하도록 상기 디스플레이를 제어하며, 상기 네비게이션 화면이 표시되는 동안 상기 데이터 분석 모델을 바탕으로 경로 안내를 수행하는 것을 특징으로 하는 전자 장치.
  17. 제16항에 있어서,
    상기 프로세서는,
    상기 데이터 분석 모델을 바탕으로 기설정된 거리 내에 상기 사용자가 경로를 이탈한 경험이 있는 구간이 존재하면, 상기 구간에 대한 경로 안내 메시지의 출력 시작 시점, 출력 빈도 및 출력 세기 중 적어도 하나를 조절하여 상기 구간에 대한 경로 안내 메시지를 출력하는 것을 특징으로 하는 전자 장치.
  18. 제9항에 있어서,
    상기 프로세서는,
    상기 복수의 경로 중 추천 경로를 안내하기 위한 시각적 또는 청각적 피드백을 제공하는 것을 특징으로 하는 전자 장치.
  19. 전자 장치의 제어 방법을 수행하기 위한 프로그램이 저장된 컴퓨터가 판독가능한 기록 매체에 있어서,
    상기 전자 장치의 제어 방법은,
    경로 안내를 위하여 목적지에 대한 정보를 입력받는 단계;
    상기 목적지까지 도달하기 위한 복수의 경로를 획득하는 단계;
    사용자 운전 히스토리를 바탕으로 생성된 데이터 분석 모델을 이용하여 상기 복수의 경로 중 추천 경로를 판단하는 단계;
    상기 추천 경로를 포함하는 경로 설정 UI를 제공하는 단계;를 포함하는 기록 매체.



KR1020170141352A 2016-12-21 2017-10-27 경로 안내를 위한 전자 장치 및 이의 제어 방법 KR20180072525A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20160175751 2016-12-21
KR1020160175751 2016-12-21

Publications (1)

Publication Number Publication Date
KR20180072525A true KR20180072525A (ko) 2018-06-29

Family

ID=62781300

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170141352A KR20180072525A (ko) 2016-12-21 2017-10-27 경로 안내를 위한 전자 장치 및 이의 제어 방법

Country Status (1)

Country Link
KR (1) KR20180072525A (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530389A (zh) * 2019-09-06 2019-12-03 禾多科技（北京）有限公司 基于高精度导航电子地图的路口模式识别方法及识别系统
CN110672101A (zh) * 2019-09-20 2020-01-10 北京百度网讯科技有限公司 导航模型训练方法、装置、电子设备及存储介质
KR102070120B1 (ko) * 2019-05-08 2020-01-28 서울대학교산학협력단 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템
CN110887497A (zh) * 2018-09-07 2020-03-17 上海擎感智能科技有限公司 路线推荐方法及装置
KR102092939B1 (ko) * 2018-10-10 2020-03-24 주식회사 케이티 경로를 제공하는 장치, 방법 및 사용자 단말
KR20210079237A (ko) * 2019-12-17 2021-06-29 구글 엘엘씨 네비게이션 중 어려운 기동들을 위한 추가 명령들을 제공하는 방법
KR20210083791A (ko) * 2019-12-27 2021-07-07 주식회사 트위니 병원 내부 안내 내비게이션 방법 및 시스템
KR20210090518A (ko) * 2020-01-10 2021-07-20 제주대학교 산학협력단 사용자 제약조건을 고려한 최적 이동경로 정보 제공방법 및 이를 수행하기 위한 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체
KR20240102289A (ko) * 2022-12-26 2024-07-03 한국자동차연구원 탑승객 구성원 인식을 통한 ai기반 드라이브 코스 추천 시스템 및 그 방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110887497A (zh) * 2018-09-07 2020-03-17 上海擎感智能科技有限公司 路线推荐方法及装置
KR102092939B1 (ko) * 2018-10-10 2020-03-24 주식회사 케이티 경로를 제공하는 장치, 방법 및 사용자 단말
KR102070120B1 (ko) * 2019-05-08 2020-01-28 서울대학교산학협력단 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템
CN110530389A (zh) * 2019-09-06 2019-12-03 禾多科技（北京）有限公司 基于高精度导航电子地图的路口模式识别方法及识别系统
CN110672101A (zh) * 2019-09-20 2020-01-10 北京百度网讯科技有限公司 导航模型训练方法、装置、电子设备及存储介质
CN110672101B (zh) * 2019-09-20 2021-09-28 北京百度网讯科技有限公司 导航模型训练方法、装置、电子设备及存储介质
KR20210079237A (ko) * 2019-12-17 2021-06-29 구글 엘엘씨 네비게이션 중 어려운 기동들을 위한 추가 명령들을 제공하는 방법
KR20210083791A (ko) * 2019-12-27 2021-07-07 주식회사 트위니 병원 내부 안내 내비게이션 방법 및 시스템
KR20210090518A (ko) * 2020-01-10 2021-07-20 제주대학교 산학협력단 사용자 제약조건을 고려한 최적 이동경로 정보 제공방법 및 이를 수행하기 위한 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체
KR20240102289A (ko) * 2022-12-26 2024-07-03 한국자동차연구원 탑승객 구성원 인식을 통한 ai기반 드라이브 코스 추천 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
KR20180072525A (ko) 경로 안내를 위한 전자 장치 및 이의 제어 방법
US11047698B2 (en) Autonomous driving apparatus and method thereof
KR102501714B1 (ko) 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법
KR102480416B1 (ko) 차선 정보를 추정하는 방법 및 전자 장치
KR102579904B1 (ko) 비전 검사 관리 방법 및 비전 검사 시스템
US11823020B2 (en) Artificial intelligence apparatus for generating training data for artificial intelligence model and method thereof
KR20200085142A (ko) 청소 공간의 지도 데이터를 생성하는 장치 및 방법
KR20180111467A (ko) 사용자 감정 판단을 위한 전자 장치 및 이의 제어 방법
KR20180071931A (ko) 전자 장치, 그의 사용자 발화 의도 판단 방법 및 비일시적 컴퓨터 판독가능 기록매체
KR102606287B1 (ko) 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법
KR102420567B1 (ko) 음성 인식 장치 및 방법
KR102474246B1 (ko) 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
US10630827B2 (en) Electronic device and control method thereof
US20210319311A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
US11327320B2 (en) Electronic device and method of controlling the same
KR20190109663A (ko) 차량의 주행을 보조하는 전자 장치 및 방법
KR20190096752A (ko) 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치
US11211045B2 (en) Artificial intelligence apparatus and method for predicting performance of voice recognition model in user environment
KR102464906B1 (ko) 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법
KR102440963B1 (ko) 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체
US20210174422A1 (en) Smart apparatus
US11348585B2 (en) Artificial intelligence apparatus
US11211079B2 (en) Artificial intelligence device with a voice recognition
US11721319B2 (en) Artificial intelligence device and method for generating speech having a different speech style