KR20190023059A - 중고자동차 등급 진단 방법 - Google Patents

중고자동차 등급 진단 방법 Download PDF

Info

Publication number
KR20190023059A
KR20190023059A KR1020190020511A KR20190020511A KR20190023059A KR 20190023059 A KR20190023059 A KR 20190023059A KR 1020190020511 A KR1020190020511 A KR 1020190020511A KR 20190020511 A KR20190020511 A KR 20190020511A KR 20190023059 A KR20190023059 A KR 20190023059A
Authority
KR
South Korea
Prior art keywords
used car
grade
information
server
reinforcement learning
Prior art date
Application number
KR1020190020511A
Other languages
English (en)
Other versions
KR102063796B1 (ko
Inventor
김영욱
성하경
이형수
전세웅
신동인
Original Assignee
전자부품연구원
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 전자부품연구원 filed Critical 전자부품연구원
Priority to KR1020190020511A priority Critical patent/KR102063796B1/ko
Publication of KR20190023059A publication Critical patent/KR20190023059A/ko
Application granted granted Critical
Publication of KR102063796B1 publication Critical patent/KR102063796B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • G06Q50/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)

Abstract

본 발명의 일실시예에 따른 중고자동차 등급 진단 방법은, 모듈을 통해 중고자동차의 기본 정보를 수집하여 서버에 송신하는 기본정보 송신단계, 상기 중고 자동차의 등급 정보를 상기 서버에 송신하는 등급정보 송신단계, 상기 데이터 베이스 내에 빅데이터를 확보하는 빅데이터 확보단계, 인공 지능을 통해 상기 기본정보와 상기 중고 자동차의 등급 간의 관계를 강화 학습시킨 강화학습정보를 통해 상기 서버 내에 추론 엔진부를 확보하는 강화 학습단계 및 검사 대상 중고 자동차의 기본정보를 수집하여 상기 서버에 송신하고, 상기 추론 엔진부에서 상기 검사 대상 중고자동차의 기본정보를 바탕으로 상기 검사 대상 중고 자동차의 등급을 평가하는 검사 단계를 포함한다.

Description

중고자동차 등급 진단 방법{Used car grade diagnostic method}
본 발명은 인공지능 기반의 중고자동차 등급 진단 방법에 관한 것이다.
국내 중고자동차 시장에서는 자동차 관리법 제58조 제1항, 동법 시행규칙 제120조 제1항에 따라 발급되는 중고자동차 성능·상태 점검기록부를 토대로 중고자동차가 거래되고 있다. 그러나 성능·상태 점검기록부는 각 중고자동차 거래소의 점검자에 의해 주관적인 판단에 의지해 작성된다.
이에 따라 중고자동차 구매시 소비자에게 성능·상태 점검기록부가 제공되지만, 성능·상태 점검기록부를 작성하는 점검자의 판단이 틀릴 수 있으며, 성능·상태 점검기록부는 양호 내지 적정으로 되어 있어, 점검기록부에 대한 변별력 또는 객관성이 의심되는 것이 현주소이다.
JP 2016-004470 A
따라서, 본 발명의 일실시예는 상기한 바와 같은 종래의 문제점을 개선하기 위한 것으로, 중고자동차의 핵심부품의 정보와 중고자동차의 등급을 수집하여 저장된 데이터베이스를 통해 빅데이터화를 실현하고, 인공지능이 빅데이터를 이용하여 중고자동차의 등급을 추론하기 위한 강화학습을 하고, 이를 통해 마련된 추론엔진이 중고자동차의 등급을 판단하는 중고자동차 등급 진단 방법을 제공하는데 본 발명의 기술적 과제가 있다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법은, 모듈을 통해 중고 자동차의 복수의 핵심부품의 정보, 상기 중고 자동차의 연식, 주행거리 및 차종 정보를 포함하는 기본 정보를 수집하여 서버에 송신하는 기본정보 송신단계, 상기 중고 자동차의 연식, 주행거리 및 차종을 기준으로 상기 핵심부품의 등급 및 상기 중고 자동차의 등급을 포함하는 등급 정보를 상기 서버에 송신하는 등급정보 송신단계, 상기 서버에 입력된 상기 기본정보 및 상기 등급정보는 데이터 베이스에 저장되고, 다른 중고 자동차에 대하여 상기 기본정보 송신 단계와 상기 등급정보 송신 단계를 반복하여, 상기 데이터 베이스 내에 빅데이터를 확보하는 빅데이터 확보단계, 상기 빅데이터를 바탕으로 상기 서버의 강화학습부의 인공 지능을 통해 상기 기본정보와 상기 중고 자동차의 등급 간의 관계를 강화 학습시킨 강화학습정보를 통해 상기 서버 내에 추론 엔진부를 확보하는 강화 학습단계, 및 검사 대상 중고 자동차의 기본정보를 수집하여 상기 서버에 송신하고, 상기 추론 엔진부에서 상기 검사 대상 중고자동차의 기본정보를 바탕으로 상기 검사 대상 중고 자동차의 등급을 평가하는 검사 단계를 포함한다.
상기 등급정보 송신단계는, 제1 검사원에 의해 판단된 제1 등급정보가 상기 서버에 송신되는 제1 등급정보 송신 단계 및 제2 검사원에 의해 판단된 제2 등급정보가 상기 서버에 송신되는 제2 등급정보 송신 단계로 구분된다.
상기 강화 학습 단계는, 상기 강화학습부가 상기 중고 자동차의 복수의 핵심 부품의 정보와 상기 복수의 핵심 부품의 등급 간의 관계를 학습하는 제1 단계, 상기 강화학습부가 상기 중고 자동차의 복수의 핵심 부품의 등급과 상기 중고 자동차의 등급 간의 관계를 학습하는 제2 단계 및 상기 복수의 핵심부품의 등급에서 상기 중고 자동차의 등급을 추론하도록, 각각의 핵심 부품의 등급의 가중치를 설정하는 가중치 설정 단계를 더 포함한다.
상기 검사 단계는, 상기 추론 엔진부가 상기 검사 대상 중고 자동차의 각각의 핵심 부품의 등급을 판단하는 핵심부품 등급추론 단계 및 상기 검사 대상 중고 자동차의 각각의 핵심 부품의 등급과 상기 가중치를 고려하여 상기 검사 대상 중고 자동차의 등급을 추론하는 검사 대상 중고 자동차 등급추론 단계를 더 포함한다.
상기 중고 자동차의 핵심 부품 및 검사 대상 자동차의 핵심 부품은 엔진, 트렌스미션, 현가 장치, 조향 장치 및 브레이크를 포함하며, 상기 핵심 부품의 등급 및 중고 자동차의 등급은 5개의 등급으로 구분된다.
상기 모듈은, 상기 핵심 부품의 영상 정보를 수집하는 영상 모듈, 상기 핵심 부품의 소리 정보를 수집하는 소리 모듈, 상기 핵심 부품의 비파괴 검사 정보를 수집하는 비피괴 검사 모듈 및 상기 핵심 부품의 진동 정보를 수집하는 진동 모듈을 포함한다.
상기 강화 학습 단계는, 상기 서버 내에 시뮬레이터를 포함하여, 상기 데이터 베이스에서 가상의 중고 자동차의 기본정보를 상기 시뮬레이터에 제공하여, 상기 강화학습부의 강화학습정보를 바탕으로 중고 자동차의 등급 판단을 모의실험하는 모의실험단계 및 상기 모의실험단계를 통해 얻어진 모의실험정보가 상기 데이터베이스에 저장되고, 상기 모의실험정보가 상기 강화학습부의 상기 각각의 핵심부품의 등급의 가중치를 보정하는 가중치 보정단계를 더 포함한다.
상기 설명한 바와 같이 이루어진 본 발명에 따르면, 중고자동차의 정보 및 등급의 송신 단계를 통해 구축된 빅데이터를 인공지능을 활용하여 강화 학습하고, 이로서 획득된 추론 엔진을 통해 중고자동차의 등급을 판단할 수 있다. 이를 통해 중고자동차 진단 전문가집단의 노하우를 지능화하여 중고자동차의 등급을 판단하는 것이므로, 중고 자동차 등급의 객관성 및 변별력을 확보할 수 있다.
또한, 서버 내에 추론 엔진을 확보하여 사람의 개입 없이 인공지능의 판단만으로 중고자동차의 등급을 판단할 수 있다.
또한, 서버 내에 시뮬레이터를 확보하여 추가적인 정보가 없어도 서버 내의 데이터베이스와 추론 엔진의 강화학습정보를 활용하여 자체적인 중고자동차 판단 시뮬레이션을 할 수 있고, 이에 따라 생성된 시뮬레이션 정보를 통해 인공지능이 자체적으로 추론 엔진을 강화할 수 있다.
도 1은 빅데이터 확보 단계까지의 흐름도이다.
도 2는 서버 내에서 정보 흐름의 순서도이다.
도 3은 검사 대상 중고자동차의 등급 판단 개략도이다.
도 4는 빅데이터 확보 단계 이후 중고자동차 등급 출력까지의 흐름도이다.
본 발명의 일실시예의 목적, 특정한 장점들 및 신규한 특징들은 첨부된 도면들과 연관되어지는 이하의 상세한 설명과 바람직한 실시예들로부터 더욱 명백해질 것이다. 본 명세서에서 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다. 또한, "상면", "하면", "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 상기 용어들에 의해 제한되는 것은 아니다. 이하, 본 발명의 일실시예를 설명함에 있어서, 본 발명의 일실시예의 요지를 불필요하게 흐릴 수 있는 관련된 공지 기술에 대한 상세한 설명은 생략한다.
이하, 첨부된 도면을 참조하여, 본 발명의 일실시예를 상세히 설명하기로 하며, 동일한 참조부호는 동일한 부재를 가리킨다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법(1)은, 모듈(20)을 통해 중고자동차(2)의 복수의 핵심부품(21)의 정보, 상기 중고자동차의 연식, 주행거리 및 차종 정보를 포함하는 기본정보(22)를 수집하여 서버(10)에 송신하는 기본정보 송신단계(S100), 상기 중고자동차의 연식, 주행거리 및 차종을 기준으로 상기 핵심부품(21)의 등급 및 상기 중고자동차의 등급을 포함하는 등급정보(23)를 상기 서버(10)에 송신하는 등급정보 송신단계(S200), 상기 서버에 입력된 상기 기본정보 및 상기 등급정보는 데이터 베이스(11)에 저장되고, 다른 중고자동차에 대하여 상기 기본정보 송신 단계(S100)와 상기 등급정보 송신 단계(S200)를 반복하여, 상기 데이터 베이스(11) 내에 빅데이터(24)를 확보하는 빅데이터 확보단계(S300), 상기 빅데이터를 바탕으로 상기 서버(10)의 강화학습부(12)의 인공 지능을 통해 상기 기본정보(22)와 상기 중고자동차의 등급(23b) 간의 관계를 강화 학습시킨 강화학습정보(25)를 통해 상기 서버(10) 내에 추론 엔진부(13)를 확보하는 강화 학습단계(S400) 및 검사 대상 중고자동차(3)의 기본정보를 수집하여 상기 서버(10)에 송신하고, 상기 추론 엔진부(13)에서 상기 검사 대상 중고자동차의 기본정보를 바탕으로 상기 검사 대상 중고자동차의 등급을 평가하는 검사 단계(S500)를 포함한다.
도 1은 본 발명의 빅데이터가 확보되는 과정을 도시한다.
본 발명은 중고자동차의 부품의 핵심정보(22a)만으로 중고자동차의 등급을 평가하는 발명이므로, 중고자동차의 핵심부품의 정보(22a)를 확보하여야 한다. 따라서 기본정보 송신단계(S100)에서 검사원이 모듈(20)을 통해 중고자동차의 기본정보(22)를 수집한다. 기본정보(22)라고 하면, 중고자동차의 핵심부품의 정보(22a)를 포함하여, 중고자동차의 연식(22b), 주행거리(22c) 및 차종(22d) 등의 정보를 포함하는 개념이다. 기본정보(22)는 모듈(20)을 통해서 획득되는데, 모듈(20)은 검사원이 착용하여 핵심부품의 정보(22a), 즉 중고자동차의 핵심부품의 소리, 영상, 진동, 비파괴 검사정보 등을 측정한다. 또한, 검사원은 모듈에 해당 중고자동차의 연식(22b), 주행거리(22c), 차종(22d) 등을 입력하여 해당 모듈에서 기본정보를 서버(10)에 송신하게 한다.
등급정보 송신단계(S200)에서 검사원은 중고자동차의 연식, 주행거리, 차종과 대비하여, 해당 중고자동차의 성능의 등급을 판단한다. 중고자동차의 차종에(22d) 따라 모듈에서 획득되는 중고자동차의 핵심부품의 정보(22a)의 종류가 달라지기 때문에, 먼저 차종에 따라 분류될 필요가 있다. 먼저 기본정보를 차종에 따라 분류한 다음, 분류된 정보 중 연식과 주행거리 등을 기준으로 중고자동차의 등급(23b)이 판단된다. 중고자동차의 거래는 연식과 주행거리 등을 기준으로 중고자동차의 기준가격이 결정되는 경향이 큰다. 따라서 중고자동차의 성능을 판단하여 연식 및 주행거리에 비해 성능이 좋다면 그 기준가격보다 높은 가격으로 거래될 수 있고, 연식 및 주행거리에 비해 성능이 좋지 않다면 그 기준가격보다 낮은 가격으로 거래될 수 있다. 이에 검사원은 중고자동차의 연식, 주행거리 차종을 기준으로 중고자동차의 핵심부품의 등급과 중고자동차의 등급을 판단하여, 판단된 등급정보를 서버에 송신한다.
중고자동차 차종 연식
(연)		 주행거리
(km)		 객관적인 차량의 상태 중고자동차의 등급
가 산타페 3 3000 양호 B
나 산타페 5 5000 보통 B
다 산타페 7 7000 미흡 B
중고자동차 차종 연식
(연)		 주행거리
(km)		 객관적인 차량의 상태 중고자동차의 등급
다 그렌져 3 3000 양호 B
라 그렌져 5 5000 보통 B
마 그렌져 7 7000 미흡 B
위의 표 1 및 2는 중고자동차의 연식(22b), 주행거리(22c), 차종(22d)과 대비하여, 해당 중고자동차의 등급(23b)을 판단하는 것의 예이다. 먼저 핵심 부품의 정보가 유의미하게 차종에 따라 분류한다. 여기서 중고자동차의 연식 및 주행거리가 작을수록 객관적인 차량의 상태가 양호할 것으로 기대되기 때문에, 중고자동차 '가'와 '다'의 객관적인 차량의 상태가 양호하더라도 중고자동차의 등급은 B가 될수 있다. 반대로 중고자동차의 연식 및 주행거리가 클수록 객관적인 차량의 상태가 양호하지 않을 것이라는 예상이 가능하기 때문에, 중고자동차 '다'와 '마'의 객관적인 차량의 상태가 미흡하더라도 중고자동차의 등급은 B로 매겨질 수 있다.
빅데이터 확보단계(S300)에서 기본정보(22)와 등급정보(23)는 데이터 베이스(11)에 저장된다. 기본정보 송신단계(S100)와 등급정보 송신단계(S200)를 반복된다. 따라서 복수의 중고자동차에 대한 정보를 확보할 수 있다. 중고자동차에 대한 정보는 복수의 중고자동차 수리업소 등의 사업장에서 얻을 수 있으며 5년간 20만건의 정보량을 획득하여 빅데이터를 구축할 수 있을 것으로 예상된다.
도 2는 서버 내의 구성을 나타낸다.
서버(10)는 데이터 베이스(11), 강화학습부(12), 추론 엔진부(13) 및 시뮬레이터(14)를 포함한다. 서버(10)는 기본적으로 인공지능을 통해 구동된다. 강화학습부(12)의 인공지능은 데이터 베이스(11)에 저장된 기본정보(22)를 처리한다. 기본정보(22)와 중고자동차의 등급(23b)간의 관계를 강화학습시킨다. 상기 강화학습을 통해 검사 대상 중고자동차의 기본정보의 입력만으로 해당 중고자동차의 등급(23b)을 추론할 수 있는 추론엔진(13)이 갖춰지게 된다. 이상의 추론엔진(13)이 갖추어지는 단계가 강화학습단계(S400)이다. 강화학습단계에서의 강화학습은 DQN(Deep Q-Network) 방식의 인공지능이 사용될 수 있다.
도 3은 검사 단계(S500)에서의 데이터의 흐름이다.
이렇게 확보된 추론엔진(13)은 검사 대상 중고자동차(3)의 기본정보가 서버에 송신되어 상기 추론엔진(13)에 입력되었을 때, 중고자동차(3)의 등급을 추론한다. 상기 검사 대상 중고자동차(3)의 등급을 평가하는 단계가 검사 단계(S500)이다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법(1)에서, 상기 등급정보 송신단계(S200)는, 제1 검사원에 의해 판단된 제1 등급정보가 상기 서버에 송신되는 제1 등급정보 송신 단계 및 제2 검사원에 의해 판단된 제2 등급정보가 상기 서버에 송신되는 제2 등급정보 송신 단계로 구분된다.
동일 중고자동차에 대하여, 두 개의 등급정보를 얻을 수 있도록 등급정보 송신단계를 제1 및 제2로 구분한다. 이는 제1 검사원의 해당 중고자동차에 대한 주관적인 판단을 보완하기 위해 제2 검사원의 판단이 개입되는 것이다. 또한, 본 발명은 집단 전문가집단의 노하우를 지능화하여 중고자동차의 등급을 추론하는 것이므로, 하나의 중고자동차에 대하여 2번의 전문가 판단의 등급정보가 주어진다면 보다 빠르게 데이터를 확보할 수 있다.
도 4는 본 발명의 강화학습단계를 상세하게 도시한 단계 흐름도이다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법(1)에서, 상기 강화 학습 단계(S400)는, 상기 강화학습부(12)가 상기 중고자동차의 기본정보(22)와 상기 복수의 핵심 부품의 등급(23a) 간의 관계를 학습하는 제1 단계(S410), 상기 강화학습부(12)가 상기 중고자동차의 복수의 핵심부품의 등급(23a)과 상기 중고자동차의 등급(23b) 간의 관계를 학습하는 제2 단계(S420) 및 상기 복수의 핵심부품의 등급(23a)에서 상기 중고자동차의 등급(23b)을 추론하도록, 각각의 핵심 부품의 등급의 가중치를 설정하는 가중치 설정 단계(S430)를 더 포함한다.
제1 단계(S410))는 강화학습부(12)가 핵심부품의 정보(22a), 연식(22b), 주행거리(22c) 및 차종(22d)에 관한 정보를 포함하는 중고자동차(2)의 기본정보(22)와 핵심 부품의 등급(23a)간의 관계를 학습하는 단계이다. 즉, 강화학습부의 인공지능은 중고자동차의 핵심부품의 영상, 소리, 진동 또는 비파괴 검사 자료 등과 해당 중고자동차의 등급(23a)간의 관계를 학습하여, 추론엔진에서 중고자동차의 기본정보(22)만으로도 해당 중고자동차의 핵심부품의 등급을 추론할 수 있도록 한다.
제2 단계는 (S420)는 강화학습부(12)가 핵심부품의 정보(22a), 연식(22b), 주행거리(22c) 및 차종(22d)에 관한 정보를 포함하는 중고자동차(2)의 핵심부품의 등급(23a)과 중고 자동차의 등급(23b)간의 관계를 학습하는 단계이다. 즉 데이터베이스(11)에 등급정보(23)를 통해 복수의 핵심부품과 중고자동차 간의 관계를 학습하는 것이다.
중고자동차 엔진의
등급		 트랜스미션의 등급 현가장치의 등급 조향장치의 등급 브레이크의 등급 중고자동차의 등급
사 A B C D E B
아 E D A A A C
자 A A B B B A
제2 단계에서 학습된 복수의 핵심부품과 중고자동차 간의 관계는 가중치 설정 단계(S430)에서 핵심부품의 등급(23a)에 가중치를 설정하는 것에 사용된다. 즉, 검사단계(S500)에서 복수의 핵심부품의 등급을 종합한 하나의 중고자동차의 등급을 추론할 때, 각각의 핵심부품의 등급에 가중치를 설정하는 것이다. 표 3은 가중치의 개념을 나타낸 표이다. 표 3에서 중고자동차의 핵심부품은 엔진, 트랜스미션, 현가장치, 조향장치 및 브레이크로 구성되어 있다. 예를 들어, 표 3의 중고자동차 '사'를 볼 때, 핵심부품들의 평균 등급은 C이나 중고자동차의 등급은 B인 것을 볼 수 있다. 이는 중고자동차에서 엔진과 트랜스미션의 중요도가 다른 핵심부품보다 크다는 의미로 해석될 수 있다. 표 3의 중고자동차 '아'를 보면, 현가장치, 조향장치 및 브레이크의 등급이 A로서, 핵심부품의 평균 등급은 A에 가까울 것으로 예상되나, 엔진과 트랜스미션의 가중치가 높게 산정되어 중고자동차 '아'의 등급은 C로 된다. 이와 같이 인공지능은 중고자동차의 핵심부품의 등급(23a)과 중고자동차의 등급(23b)간의 관계를 학습하여 각각의 핵심부품의 가중치를 설정한다. 설정된 가중치는 서버(11)의 추론엔진(13)에서 검사 대상 중고차(3)의 기본정보를 처리할 때 사용된다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법(1)에서, 상기 검사 단계(S500)는, 상기 추론 엔진부(13)가 상기 검사 대상 중고자동차의 각각의 핵심 부품의 등급을 판단하는 핵심부품 등급추론 단계(S510) 및 상기 검사 대상 중고자동차의 각각의 핵심 부품의 등급과 상기 가중치를 고려하여 상기 검사 대상 중고자동차의 등급을 추론하는 검사 대상 중고자동차 등급추론 단계(S520)를 더 포함한다.
도 4는 검사단계를 검사단계(S500)를 상세하게 도시한 단계 흐름도이다.
강화학습단계에서 생성된 강화학습정보를 바탕으로 추론엔진(13)이 구비되고, 추론엔진(13)에서 검사 대상 중고차의 기본정보를 통해 검사 대상 중고차의 핵심부품의 등급을 추론하며, 강화학습부에서 얻어진 핵심부품의 가중치를 통해, 검사 대상 중고차의 핵심부품의 등급에서 검사 대상 중고차의 등급을 추론할 수 있게 된다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법(1)에서, 상기 중고자동차의 핵심 부품 및 검사 대상 자동차의 핵심 부품은 엔진, 트랜스미션, 현가장치, 조향장치 및 브레이크를 포함하며, 상기 핵심 부품의 등급(23a) 및 중고자동차의 등급(23b)은 5개의 등급으로 구분된다.
복수의 핵심부품은 자동차의 성능을 결정하는 중요한 부품들을 포함하며, 중고자동차 거래 당업계에서 전문가가 통상적으로 파악하는 중고자동차의 핵심부품인 엔진, 트랜스매션, 현가장치, 조향장치 및 브레이크 등을 중심으로 모듈(20)을 통해 영상, 진동, 소리 등의 정보를 수집한다. 또한 등급정보(23)의 등급 개수를 5개로 설정한다. 이와 같은 등급 개수 설정은 출력된 결과물인 등급을 보는 소비자가 해당 중고자동차를 판단하기 용이하게 하여 중고자동차의 등급에 변별력을 부가하고, 인공지능의 정보처리 능력을 고려하여 서버(10)가 오류를 일으키지 않고 등급 판단할 수 있도록 한다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법(1)에서, 상기 모듈(20)은, 상기 핵심 부품의 영상 정보를 수집하는 영상 모듈, 상기 핵심 부품의 소리 정보를 수집하는 소리 모듈, 상기 핵심 부품의 비파괴 검사 정보를 수집하는 비피괴 검사 모듈 및 상기 핵심 부품의 진동 정보를 수집하는 진동 모듈을 포함한다.
예를 들어 핵심부품을 외관으로만 판단하여 등급을 매기는 것과 핵심부품을 외관 및 소리로 판단하여 등급을 매기는 경우에 있어서, 외관 및 소리로 판단되는 경우와 같이 판단이 되는 정보가 많을수록 그 등급에 객관성이 더 부여될 것이다. 따라서 모듈(20)은 영상 정보를 수집하는 영상 모듈, 소리정보를 수집하는 소리모듈, 비파괴 검사를 시행할 수 있고 그 데이터를 수집하는 비파괴 검사모듈 및 진동 정보를 수집하는 진동모듈 등을 포함하여, 해당 모듈(20)로 핵심부품의 정보(22a)를 수집하도록 한다. 이로서 핵심부품의 정보(22a)는 영상, 소리, 비파괴, 진동 등의 정보를 포함한다. 다양한 정보가 확보됨에 따라 빅데이터 확보 과정에서 판단의 주체인 검사원의 판단도 보다 객관적이게 될 수 있고, 서버의 인공지능 또한 다양한 정보를 학습함으로써 추론 엔진의 객관성을 확보할 수 있다.
영상, 소리 등 처리하는 정보의 종류가 달라짐에 따라 인공지능의 종류가 달라질 수 있다. 영상 정보 계열 등은 CNN(Convolutional Neural Network) 계열, 소리 및 진동 계열 등은 RNN(Recurrent Neural Network) 계열이 사용될 수 있다.
본 발명의 일실시예에 따른 중고자동차 등급 진단 방법(1)에서, 상기 강화 학습 단계(S400)는, 상기 서버(10) 내에 시뮬레이터(14)를 포함하여, 상기 데이터 베이스(11)에서 가상의 중고자동차의 기본정보를 상기 시뮬레이터에 제공하여, 상기 강화학습부의 강화학습정보를 바탕으로 중고자동차의 등급 판단을 모의실험하는 모의실험단계(S440) 및 상기 모의실험단계(S440)를 통해 얻어진 모의실험정보가 상기 데이터베이스(11)에 저장되고, 상기 모의실험정보가 상기 강화학습부(12)의 상기 각각의 핵심부품의 등급의 가중치를 보정하는 가중치 보정단계(S450)를 더 포함한다.
도 2는 시뮬레이터(14)를 통한 서버 내의 정보 순환관계를 도시하고, 도 4는 강화학습단계(S400)에서 모의실험을 통한 가중치의 보정을 도시하고 있다.
서버(10)는 시뮬레이터(14)를 포함한다. 시뮬레이터(14)는 추가적인 정보의 입력 없이, 서버(10)의 데이터베이스(11)에 저장된 기본정보 및 등급정보를 통하여 자체적인 학습을 한다. 따라서 시뮬레이터(14)에 데이터베이스(11)의 기본정보가 제공되고, 시뮬레이터는 기본정보를 통해 중고자동차의 등급을 추론하는 시뮬레이션 학습을 한다. 시뮬레이션 학습은 강화학습부(12)의 강화학습정보를 기준으로 가상의 중고자동차의 등급을 추론하게 된다. 새로운 데이터 없이 자체적으로 시뮬레이션 데이터를 마련하는 모의실험을 하고, 이런 과정을 모의실험단계(S440)라고 칭한다.
위와 같은 모의실험단계(S440)를 통해 마련된 시뮬레이션 학습정보를 바탕으로 가중치 보정단계(S450)에서 가중치를 보정한다. 즉 모의실험단계(S440)에서 얻어진 모의실험정보가 데이터베이스(11)에 저장된다. 모의실험정보는 강화학습부(12)에 제공되어, 가중치 설정단계(S430)에서 설정된 가중치를 보정한다. 이런 과정을 가중치 보정단계(S450)라고 칭한다.
따라서 강화학습단계(S400)에서, 새로운 기본정보(22)와 등급정보(23)가 서버(10)에 수신된다면, 제1 단계(S410), 제2 단계(S420) 및 가중치 설정단계(S430)의 순서로 진행되어 강화학습정보를 얻을 수 있다. 그리고 새로운 정보가 없이도 모의실험단계(S440) 및 가중치 보정단계(S450)가 가중치 설정단계(S430)와 제1 단계(S410) 사이에 개입되어, 도 4의 강화학습단계(S400) 박스 내에 도시된 것과 같이 단계의 순환과정을 통해 인공지능이 자체적으로 강화학습할 수 있도록 한다.
이상 본 발명을 구체적인 실시예를 통하여 상세히 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당해 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함은 명백하다고 할 것이다.
본 발명의 단순한 변형 내지 변경은 모두 본 발명의 영역에 속하는 것으로 본 발명의 구체적인 보호 범위는 첨부된 특허청구범위에 의하여 명확해질 것이다.
1 : 중고자동차 등급 진단 방법 2 : 중고자동차
3 : 검사대상 중고자동차 10 : 서버
11 : 데이터베이스 12 : 강화학습부
13 : 추론 엔진 14 : 시뮬레이터
20 : 모듈 21 : 핵심부품
22 : 기본정보 22a : 핵심부품의 정보
22b : 연식 22c : 주행거리
22d : 차종 23 : 등급정보
23a : 핵심부품의 등급 23b : 중고자동차의 등급
S100 : 기본정보 송신단계 S200 : 등급정보 송신단계
S300 : 빅데이터 확보단계 S400 : 강화학습단계
S410 : 제1 단계 S420 : 제2 단계
S430 : 가중치 설정단계 S440 : 모의실험단계
S450 : 가중치 보정단계 S500 : 검사단계
S510 : 핵심부품 등급추론단계 S520 : 중고자동차 등급추론단계

Claims (7)

  1. 모듈을 통해 중고자동차의 복수의 핵심부품의 정보, 상기 중고자동차의 연식, 주행거리 및 차종 정보를 포함하는 기본 정보를 수집하여 서버에 송신하는 기본정보 송신단계;
    상기 중고자동차의 연식, 주행거리 및 차종을 기준으로 상기 핵심부품의 등급 및 상기 중고자동차의 등급을 포함하는 등급 정보를 상기 서버에 송신하는 등급정보 송신단계;
    상기 서버에 입력된 상기 기본정보 및 상기 등급정보는 데이터 베이스에 저장되고, 다른 중고자동차에 대하여 상기 기본정보 송신 단계와 상기 등급정보 송신 단계를 반복하여, 상기 데이터 베이스 내에 빅데이터를 확보하는 빅데이터 확보단계;
    상기 빅데이터를 바탕으로 상기 서버의 강화학습부의 인공 지능을 통해 상기 기본정보와 상기 중고자동차의 등급 간의 관계를 강화 학습시킨 강화학습정보를 통해 상기 서버 내에 추론 엔진부를 확보하는 강화 학습단계; 및
    검사 대상 중고자동차의 기본정보를 수집하여 상기 서버에 송신하고, 상기 추론 엔진부에서 상기 검사 대상 중고자동차의 기본정보를 바탕으로 상기 검사 대상 중고자동차의 등급을 평가하는, 검사 단계;를 포함하는 중고자동차 등급 진단 방법.
  2. 청구항 1에 있어서,
    상기 등급정보 송신단계는,
    제1 검사원에 의해 판단된 제1 등급정보가 상기 서버에 송신되는 제1 등급정보 송신 단계; 및
    제2 검사원에 의해 판단된 제2 등급정보가 상기 서버에 송신되는 제2 등급정보 송신 단계;로 구분되는, 중고자동차 등급 진단 방법.
  3. 청구항 1에 있어서,
    상기 강화 학습 단계는,
    상기 강화학습부가 상기 중고자동차의 복수의 핵심 부품의 정보와 상기 복수의 핵심 부품의 등급 간의 관계를 학습하는 제1 단계;
    상기 강화학습부가 상기 중고자동차의 복수의 핵심 부품의 등급과 상기 중고자동차의 등급 간의 관계를 학습하는 제2 단계; 및
    상기 복수의 핵심부품의 등급에서 상기 중고자동차의 등급을 추론하도록, 각각의 핵심 부품의 등급의 가중치를 설정하는 가중치 설정 단계;를 더 포함하는 중고차 등급 진단 방법.
  4. 청구항 3에 있어서,
    상기 검사 단계는,
    상기 추론 엔진부가 상기 검사 대상 중고자동차의 각각의 핵심 부품의 등급을 판단하는 핵심부품 등급추론 단계; 및
    상기 검사 대상 중고자동차의 각각의 핵심 부품의 등급과 상기 가중치를 고려하여 상기 검사 대상 중고자동차의 등급을 추론하는 검사 대상 중고자동차 등급추론 단계;를 더 포함하는, 중고자동차 등급 진단 방법.
  5. 청구항 1에 있어서,
    상기 중고자동차의 핵심 부품 및 검사 대상 자동차의 핵심 부품은 엔진, 트랜스미션, 현가장치, 조향장치 및 브레이크를 포함하며,
    상기 핵심 부품의 등급 및 중고자동차의 등급은 5개의 등급으로 구분되는, 중고자동차 등급 진단 방법.
  6. 청구항 1에 있어서,
    상기 모듈은, 상기 핵심 부품의 영상 정보를 수집하는 영상 모듈, 상기 핵심 부품의 소리 정보를 수집하는 소리 모듈, 상기 핵심 부품의 비파괴 검사 정보를 수집하는 비피괴 검사 모듈 및 상기 핵심 부품의 진동 정보를 수집하는 진동 모듈을 포함하는, 중고자동차 등급 진단 방법
  7. 청구항 3에 있어서,
    상기 강화 학습 단계는,
    상기 서버 내에 시뮬레이터를 포함하여, 상기 데이터 베이스에서 가상의 중고자동차의 기본정보를 상기 시뮬레이터에 제공하여, 상기 강화학습부의 강화학습정보를 바탕으로 중고자동차의 등급 판단을 모의실험하는 모의실험단계; 및
    상기 모의실험단계를 통해 얻어진 모의실험정보가 상기 데이터베이스에 저장되고, 상기 모의실험정보가 상기 강화학습부의 상기 각각의 핵심부품의 등급의 가중치를 보정하는 가중치 보정단계;를 더 포함하는, 중고자동차 등급 진단 방법.
KR1020190020511A 2019-02-21 2019-02-21 중고자동차 등급 진단 방법 KR102063796B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190020511A KR102063796B1 (ko) 2019-02-21 2019-02-21 중고자동차 등급 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190020511A KR102063796B1 (ko) 2019-02-21 2019-02-21 중고자동차 등급 진단 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020170105663 Division 2017-08-21

Publications (2)

Publication Number Publication Date
KR20190023059A true KR20190023059A (ko) 2019-03-07
KR102063796B1 KR102063796B1 (ko) 2020-01-09

Family

ID=65760797

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190020511A KR102063796B1 (ko) 2019-02-21 2019-02-21 중고자동차 등급 진단 방법

Country Status (1)

Country Link
KR (1) KR102063796B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102305809B1 (ko) * 2020-12-23 2021-09-30 주식회사 오씨모바일 중고자동차의 지능형 성능점검 서비스 시스템과 그 방법
WO2023149634A1 (ko) * 2022-02-07 2023-08-10 주식회사 오씨모바일 음향 데이터 분석 기반 중고차 ａｉ 성능점검 시스템과 그 처리방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102400955B1 (ko) * 2020-07-07 2022-05-26 김의수 안전 전자상거래 제공 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016004470A (ja) 2014-06-18 2016-01-12 株式会社デンソー 電子診断を用いた中古車評価システム、サーバ及び中古車評価プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170061283A1 (en) * 2015-08-26 2017-03-02 Applied Brain Research Inc. Methods and systems for performing reinforcement learning in hierarchical and temporally extended environments
KR101686919B1 (ko) * 2016-01-07 2016-12-16 주식회사 엑셈 빅데이터에 기반한 추론 엔진을 관리하는 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016004470A (ja) 2014-06-18 2016-01-12 株式会社デンソー 電子診断を用いた中古車評価システム、サーバ及び中古車評価プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102305809B1 (ko) * 2020-12-23 2021-09-30 주식회사 오씨모바일 중고자동차의 지능형 성능점검 서비스 시스템과 그 방법
WO2022139409A1 (ko) * 2020-12-23 2022-06-30 주식회사 오씨모바일 중고자동차의 지능형 성능점검 서비스 시스템과 그 방법
WO2023149634A1 (ko) * 2022-02-07 2023-08-10 주식회사 오씨모바일 음향 데이터 분석 기반 중고차 ａｉ 성능점검 시스템과 그 처리방법

Also Published As

Publication number Publication date
KR102063796B1 (ko) 2020-01-09

Similar Documents

Publication Publication Date Title
CN110348103B (zh) 一种基于数字孪生的车辆抗毁伤评估方法
KR102063796B1 (ko) 중고자동차 등급 진단 방법
He et al. Technical decomposition approach of critical to quality characteristics for product design for six sigma
CN110196814B (zh) 一种软件质量评价方法
CN112925287B (zh) 一种汽车故障精确诊断的大数据智能化系统
EP4075281A1 (en) Ann-based program test method and test system, and application
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
Gonzalez et al. Validation techniques for case-based reasoning systems
CN109238740B (zh) 一种基于整车质量和体积的汽车滑行阻力综合评价方法
Azarian et al. A new strategy for automotive off-board diagnosis based on a meta-heuristic engine
CN112329955A (zh) 一种确定装备维修等级的计算方法
Venkatasamy et al. A digraph approach to quality evaluation of an automotive vehicle
Holtta et al. Incorporating design complexity measures in architectural assessment
Gleue et al. Decision support for the automotive industry: Forecasting residual values using artificial neural networks
Gittens et al. An empirical evaluation of system and regression testing
CN108932591A (zh) 一种基于智能算法的二手车估值方法和系统
Azarian et al. A global modular framework for automotive diagnosis
CN109255205B (zh) 一种基于功能稳健性的复杂机械系统方案设计方法
US20200111273A1 (en) Used car grade diagnostic system
CN112184040A (zh) 基于行为与学习数据进行软件工程能力评估的平台
Meyer et al. How can Data Analytics Results be Exploited in the Early Phase of Product Development? 13 Design Principles for Data-Driven Product Planning
CN110503291A (zh) 基本公共文化服务均等化综合评估系统及评估方法
Williams et al. Using an interactive NVH simulator to capture and understand customer opinions about vehicle sound quality
CN113902551B (zh) 车贷申请欺诈识别的方法和设备
Gerschütz et al. Enabling Initial Design-Checks of Parametric Designs Using Digital Engineering Methods

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant