KR20190027657A

KR20190027657A - 차량의 주행을 보조하는 장치 및 방법

Info

Publication number: KR20190027657A
Application number: KR1020170114700A
Authority: KR
Inventors: 여태정; 윤부근; 한영섭
Original assignee: 삼성전자주식회사
Priority date: 2017-09-07
Filing date: 2017-09-07
Publication date: 2019-03-15
Also published as: KR102452636B1

Abstract

차량의 주행을 보조하는 장치 및 방법이 제공된다. 차량의 주행을 보조하는 웨어러블 장치는, 센싱부, 및 차량이 주행하는 동안 센싱부를 통해 획득된 주행 데이터에 기초하여, 장치를 장착하고 차량을 운전하는 운전자의 운전 패턴을 인식하고, 센싱부를 통해 획득된 현재 주행 데이터와 인식된 운전자의 운전 패턴에 기초하여, 운전자의 현재 주행 상태를 결정하고, 운전자의 현재 주행 상태에 따라, 차량의 주행 동작을 결정하고, 차량의 주행 동작을 제어하기 위한 제어 신호를 생성하는 프로세서를 포함할 수 있다.

Description

차량의 주행을 보조하는 장치 및 방법{APPARATUS AND METHOD FOR ASSISTING DRIVING OF A VEHICLE}

본 개시는 차량의 주행을 보조하는 장치 및 방법에 관한 것이다.

또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 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 활용하는 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.

차량의 주행을 보조하는 장치 및 방법을 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

일 측면에 따른 차량의 주행을 보조하는 웨어러블 장치는, 센싱부, 및 차량이 주행하는 동안 센싱부를 통해 획득된 주행 데이터에 기초하여, 장치를 장착하고 차량을 운전하는 운전자의 운전 패턴을 인식하고, 센싱부를 통해 획득된 현재 주행 데이터와 인식된 운전자의 운전 패턴에 기초하여, 운전자의 현재 주행 상태를 결정하고, 운전자의 현재 주행 상태에 따라, 차량의 주행 동작을 결정하고, 차량의 주행 동작을 제어하기 위한 제어 신호를 생성하는 프로세서를 포함할 수 있다.

다른 측면에 따른 차량의 주행을 보조하는 웨어러블 장치의 동작 방법은, 차량이 주행하는 동안 센싱부를 통해 획득된 주행 데이터에 기초하여, 장치를 장착하고 차량을 운전하는 운전자의 운전 패턴을 인식하는 단계, 센싱부를 통해 획득된 현재 주행 데이터와 인식된 운전자의 운전 패턴에 기초하여, 운전자의 현재 주행 상태를 결정하는 단계, 운전자의 현재 주행 상태에 따라, 차량의 주행 동작을 결정하는 단계, 및 차량의 주행 동작을 제어하기 위한 제어 신호를 생성하는 단계를 포함할 수 있다.

또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.

도 1은 일 실시 예에 따른 차량의 주행을 보조하는 장치가 동작하는 일 예를 도시하는 도면이다.
도 2는 일 실시 예에 따라 전자 장치의 동작 방법의 흐름도이다.
도 3은 일 실시 예에 따라 차량이 주행하는 동안 주행 데이터를 획득하는 예를 설명하기 위한 도면이다.
도 4는 일 실시 예에 따라 운전자의 현재 주행 상태의 예를 설명하기 위한 도면이다.
도 5는 일 실시 예에 따라 차량의 주행 제어를 결정하는 예를 설명하기 위한 도면이다.
도 6은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 출력하는 예를 설명하기 위한 흐름도이다.
도 7은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 출력하는 예를 설명하기 위한 도면이다.
도 8은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 차량의 디스플레이에 표시하는 예를 설명하기 위한 흐름도이다.
도 9 내지 도 10은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 출력하는 예를 설명하기 위한 도면이다.
도 11 내지 도 12는 일 실시 예에 따라 차량 시스템과 연동하여 차량 주행 동작을 제어하는 예를 설명하기 위한 흐름도이다.
도 13은 일 실시예에 따른 전자 장치의 블록 구성도(block diagram)이다.
도 14는 일 실시예에 따른 전자 장치의 상세 블록 구성도(block diagram)이다.
도 15는 일 실시예에 따른 차량의 블록 구성도(block diagram)이다.
도 16은 일 실시예에 따른 프로세서의 블록도이다.
도 17은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 18은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 19는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

실시 예들에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 “…부”, “…모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

이하에서는 도면을 참조하여 본 발명의 실시 예들을 상세히 설명한다.

도 1은 일 실시 예에 따른 차량의 주행을 보조하는 장치가 동작하는 일 예를 도시하는 도면이다.

본 명세서에서 차량(1, 도 15)(이하, 차량(1))의 주행을 보조 또는 제어하는 장치(100, 도 15)(이하, 전자 장치(100), 또는 웨어러블 장치(100))는, 사용자의 신체에 착용 가능한 장치일 수 있다.

도 1을 참조하면, 일 실시 예에 따른 전자 장치(100)는, 웨어러블 로봇(wearable robot)일 수 있다. 예컨대, 웨어러블 로봇(wearable robot)은 사용자의 다리에 착용 가능한 로봇(100a), 사용자의 팔에 착용 가능한 로봇(100b) 일 수 있으며, 이에 한정되는 것은 아니다.

일 실시 예에 따른 웨어러블 로봇(wearable robot)은, 예를 들어, 신체 장애인이나 노약자의 신체에 착용되어 착용자의 신체의 움직임을 보조하는 장치이다. 웨어러블 로봇의 착용자의 뇌가 근육에 운동 신호를 보내면, 피부 표면에 미세한 전류를 발생시키고, 착용된 로봇이 이를 감지해 모터를 동작시킴으로써 신체의 움직임을 보조 할 수 있다.

일 실시 예에 따르면, 운전자가 웨어러블 장치(100)를 장착하고 차량(1)의 운전석에 탑승하여 차량(1)을 운전하는 경우, 웨어러블 장치(100)는 차량(1)이 주행하는 동안 주행 데이터를 센싱하고, 센싱한 주행 데이터에 기초하여 운전자의 운전 패턴을 인식하고 학습할 수 있다.

일 실시 예에 따라, 차량(1)이 주행하는 중, 웨어러블 장치(100)는 운전자의 주행 제어 동작이 기 학습된 운전자의 운전 패턴과 비교할 때 적절하지 않은 것으로 판단되면, 예컨대, 주행 제어를 위한 반응 속도 등이 느려 충돌 등의 위험 상황이 예측되는 경우, 웨어러블 장치(100)가 직접 차량(1)의 주행 동작을 제어함으로써 차량(1)을 정지시키거나 주행 방향을 전환시킬 수 있다.

일 실시 예에 따르면, 차량 주행 중 운전자의 부주의 또는 건강 이상 등으로 안전 운전이 어려운 상황이 발생한 경우, 웨어러블 장치(100)가 차량(1)의 주행 동작을 제어함으로써, 운전자에게 보다 안전하고 편리한 운행 환경을 제공할 수 있다. 신체 활동이 불편한 신체 장애인 또는 노약자는 보다 원활한 신체 활동을 위해 웨어러블 장치(100)를 착용할 수 있는데, 웨어러블 장치(100)를 착용한 상태로 차량(1) 운전 시에 웨어러블 장치(100)의 주행 제어 보조로 인해, 위험 상황을 미연에 방지하고 보다 안전한 주행이 가능할 수 있다.

일 실시 예에 따라, 차량(1)이 주행하는 동안 웨어러블 장치(100)가 획득하는 주행 데이터는, 차량의 주행 정보, 차량의 주변 영상 정보, 운전자의 상태 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.

일 실시 예에 따른 차량의 주행 정보는, 웨어러블 장치(100)의 센싱부가 획득한 차량의 주행에 관한 정보로써, 차량의 속도 정보, 가속도 정보, 속도 유지 시간 정보, 주행 방향 정보, 회전 방향 정보, 회전 속도 정보, 차량의 위치 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

또한, 차량의 주행 정보는, 차량에 탑재된 OBD(On-board Diagnostics)로부터 생성된 운행 기록 정보(예를 들어, 스티어링 휠의 각도 정보, RPM 정보 등)을 포함할 수 있다.

또한, 일 실시 예에 따른 차량의 주변 영상 정보는, 웨어러블 장치(100)의 센싱부가 획득한 차량의 외부 상황에 관한 정보로써, 주행 중인 도로의 차선 변경(예컨대, 차선이 좁아지는 구간), 전후방 장애물 유무, 주변 차량의 근접 여부, 신호등의 신호 변경 등에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다.

또한, 주변 영상 정보는, 웨어러블 장치(100)를 장착한 운전자가 탑승한 차량(1)의 소정 반경 내의 환경 정보를 포함할 수 있다. 예를 들어, 날씨 정보(예컨대, 눈, 비, 안개 등으로 전방 시야 확보가 어려운지 등), 온도 정보, 습도 정보, 조도 정보, 소음 정보, 소리 정보, 도로의 노면 상태(노면이 미끄러운지 등), 도로 상황(예컨대, 공사 중인 구간인지, 도로가 일차선으로 좁아지는 구간인지, 일방 통행 구간인지 등)등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

또한, 일 실시 예에 따른 운전자의 상태 정보는, 웨어러블 장치(100)의 센싱부가 획득한 웨어러블 장치(100)를 장착한 운전자에 관한 정보로써, 운전자의 신체 움직임에 관한 정보, 운전자의 생체 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 운전자의 생체 정보는 운전자의 심박수, 심전도, 및 피부 저항도 등에 관한 정보를 포함할 수 있으며, 이에 제한되지 않는다.

또한, 일 실시 예에 따라, 이미지 센서(228, 도 14) 등을 포함하는 센싱부(110, 도 14)는 운전자의 얼굴 표정, 시선, 행동 등을 감지할 수 있다. 전자 장치(100)는 이미지 센서(228)를 통해 감지된 운전자의 얼굴 표정을 통해 운전자가 졸음 상태임을 판단할 수 있다. 예를 들어, 전자 장치(100)는 운전자가 하품을 자주 하거나, 눈의 깜박임 횟수가 증가하는 경우, 운전자가 졸음 상태인 것으로 판단할 수 있다.

또한, 일 실시 예에 따르면, 차량(1)에 포함된 센싱부(미도시)가 차량(1)이 주행하는 동안 주행 데이터를 획득할 수 있다. 전자 장치(100)는 차량(1)으로부터 주행 데이터를 수신할 수도 있다.

한편, 일 실시 예에 따라, 전자 장치(100)는, 차량(1) 주행 중에 센싱되는 주행 데이터들에 기초하여 운전자의 운전 패턴을 학습하고, 적절한 주행 동작으로 차량(1)의 운행을 제어하기 위해, 하나 이상의 데이터 인식 모델을 이용할 수 있다.

일 실시 예에 따라, 프로세서(120, 도 13)는, DNN(Deep Neural Network), RNN(Recurrent Neural Network) 등의 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 제한되지 않으며, 전자 장치(100)는 차량의 주행 데이터를 센싱하고, 차량의 주행 동작을 제어할 수 있는 모든 종류의 기기를 포함할 수 있다.

또한, 전자 장치(100)는 차량의 주행 중에 주행 데이터를 획득하고 운전자의 운전 패턴을 인식하기 위하여, 소정의 네트워크를 통하여 차량(1), 서버(미도시) 및 외부 장치(미도시)와 통신할 수 있다. 이 경우, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

도 2는 일 실시 예에 따른 전자 장치의 동작 방법의 흐름도이다. 도 3은 일 실시 예에 따라 차량이 주행하는 동안 주행 데이터를 획득하는 예를 설명하기 위한 도면이다. 도 4는 일 실시 예에 따라 운전자의 현재 주행 상태의 예를 설명하기 위한 도면이다. 도 5는 일 실시 예에 따라 차량의 주행 제어를 결정하는 예를 설명하기 위한 도면이다. 도 2의 흐름도를 설명하면서, 도 3 내지 도 5의 도면을 참조하여 설명하기로 한다.

도 2의 단계 S201에서, 일 실시 예에 따른 전자 장치(100)는, 차량이 주행하는 동안 센싱부를 통해 획득된 주행 데이터에 기초하여, 전자 장치(100)를 장착하고 차량을 운전하는 운전자의 운전 패턴을 인식할 수 있다.

도 3을 참조하면, 일 실시 예에 따른 운전자의 팔에 장착된 웨어러블 장치(100b)는 차량(1)이 주행하는 동안 주행 데이터를 획득할 수 있고, 하나 이상의 데이터 인식 모델을 이용하여, 주행 데이터에 기초하여 운전자의 운전 패턴을 학습할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 사용자의 신체에 착용 가능한 웨어러블 장치로서, 장치를 착용한 특정 사용자의 운전 패턴을 학습할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 차량의 주행 정보(예컨대, 주행 속도, 정차 시 평균 제동 거리 등), 주변 영상 정보(예컨대, 도로의 정체 상황, 전후방 장애물 유무 등), 운전자의 상태 정보(예컨대, 운전자의 졸음, 부주의, 심박수 등)를 포함하는 주행 데이터에 기초하여, 운전자가 어떠한 주행 환경에서 어떠한 운전 패턴을 보이는지를 인식할 수 있다. 예를 들어, 운전자의 평소 운전 패턴으로서, 평균 주행 속도, 평균 제동 거리, 급정거, 급 가속, 급 차선 변경의 빈도, 과속 운전 경향 등의 운전 패턴을 인식할 수 있다.

한편, 일 실시 예에 따르면, 전자 장치(100)는 차량(1)이 주행하는 동안, 미리 정해진 간격으로 차량(1)의 주행 데이터를 획득할 수 있다. 예를 들어, 전자 장치(100)는 10초 간격으로 센싱부(110, 도 14)를 통해 주행 데이터를 획득할 수 있으며, 이에 제한되지 않는다.

일 실시 예에 따르면, 전자 장치(100)는 하나 이상의 데이터 인식 모델을 이용하여, 주행 데이터에 기초하여 운전자의 운전 패턴을 학습할 수 있다.

일 실시 예에 따라, 운전자의 운전 패턴을 인식하기 위해, 차량의 주행 중에 획득된 차량의 현재 주행 상태에 관한 어떠한 데이터가 이용될 지는 기 설정된 기준에 의한 학습에 따라 결정될 수 있다.

예를 들어, 소정의 차량의 주행 중에 차량의 현재 주행 상태가 센싱된 데이터 및 소정의 위험 운전 시 차량의 주행 패턴을 입력 값으로 하는 지도 학습(supervised learning), 별다른 지도 없이 차량의 주행 패턴 학습을 위해 필요한 차량의 주행 중에 차량의 현재 상태가 센싱된 정보의 종류를 스스로 학습함으로써, 차량의 주행 패턴을 발견하는 비지도 학습(unsupervised learning)이 운전자의 주행 패턴의 인식에 이용될 수 있다.

또한, 예를 들어, 학습에 따른 운전자의 주행 패턴 인식의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)이 운전자의 주행 패턴 인식에 이용될 수 있다.

도 2의 단계 S202에서, 일 실시 예에 따른 전자 장치(100)는, 센싱부를 통해 획득된 현재 주행 데이터와 인식된 운전자의 운전 패턴에 기초하여, 운전자의 현재 주행 상태를 결정할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 차량(1)이 주행하는 동안 센싱부(110, 도 14)를 통해 주행 데이터를 획득하면서, 기 학습된 운전 패턴과 획득된 현재 주행 데이터를 비교할 수 있다. 전자 장치(100)는 기 학습된 운전 패턴과 현재 획득된 주행 데이터를 비교한 결과, 현재 주행 데이터가 기 학습된 운전 패턴의 미리 정해진 안전 운행 범위를 벗어나 상이한 패턴을 보이는 경우, 운전자의 현재 주행 상태가 위험 상태인 것으로 결정할 수 있다.

예를 들어, 전자 장치(100)는 차량(1) 운행 중 진행 경로 상의 신호등이 적색으로 변경된 경우 차량(1)의 현재 위치로부터 횡단 보도까지의 거리, 평균 제동 거리 등을 고려하여 브레이크 제어를 시작하는 기 학습된 운전자의 운전 패턴을 인식하고 있다. 전자 장치(100)는 현재 획득된 주행 데이터가 기 학습된 운전 패턴의 안전 운행 범위를 벗어나 상이한 운전 패턴으로 판단되면, 현재 운전자의 주행 제어가 위험한 주행 상태임을 결정할 수 있다.

도 4는 차량(1)을 주행 중인 운전자의 현재 주행 상태의 예를 도시한다.

예를 들어, 운전자의 졸음 운전(41), 주의 산만(42, 43), 폭우 등으로 인한 전방 시야 확보가 어려운 상황(44) 등에서, 차량(1)이 차선을 넘나들며 운행하는 위험 상황 (45), 앞 차량(2)과의 주행 거리 근접으로 인한 충돌 위험 상황(46) 이 발생할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 획득되는 주행 데이터에 따른 운전 패턴이 미리 정해진 안전 운전 범위를 벗어나 상이한 운전 패턴을 보이는 경우(45, 46), 운전자의 현재 주행 상태를 위험 상태로 결정할 수 있다.

또한, 예를 들어, 전자 장치(100)는 차량(1)이 급 가속 및 급 정거를 반복하는 주행 패턴을 보인다고 인식하는 경우, 운전자의 현재 주행 상태가 위험 상태인 것으로 결정할 수 있다.

또한, 예를 들어, 전자 장치(100)는 기 학습된 운전자의 운전 패턴과 비교할 때 과속의 주행 패턴을 보인다고 인식하는 경우, 운전자의 현재 주행 상태가 위험 상태인 것으로 결정할 수 있다.

도 2의 단계 S203에서, 일 실시 예에 따른 전자 장치(100)는, 운전자의 현재 주행 상태에 따라, 차량의 주행 동작을 결정할 수 있다. 단계 S204에서, 일 실시 예에 따른 전자 장치(100)는, 차량의 주행 동작을 제어하기 위한 제어 신호를 생성할 수 있다.

예를 들어, 전자 장치(100)는, 차량(1) 운행 중 진행 경로 상의 신호등이 적색으로 변경된 경우, 현재 운전자의 주행 제어가 위험한 주행 상태인 것으로 결정함에 따라, 차량(1)이 전방 차량 또는 횡단 보도에 근접하기 전에 정지할 수 있도록 브레이크 동작 제어를 결정할 수 있다. 전자 장치(100)는 브레이크 동작 제어를 수행하기 위한 제어 신호를 생성하고, 제어 신호에 기초하여 차량의 주행 동작을 제어할 수 있다.

도 5를 참조하면, 일 실시 예에 따라, 운전자의 팔에 장착된 전자 장치(100b)는, 운전자가 탑승한 차량(1)과 전방 차량(2)과의 주행 거리를 고려하여, 급 정거하기 위한 동작 제어(51)를 위한 제어 신호를 생성하고, 제어 신호에 기초하여 차량의 급 정거 동작 제어를 수행할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 차량(1) 주행 중에 주행 데이터를 획득하고 운전 패턴을 학습하면서, 현재 획득되는 주행 데이터가 기 학습된 운전 패턴의 안전 운행 범위를 벗어난 것으로 판단되면, 운전자에 의한 운행 동작 제어를 차단하고 직접 차량(1)의 주행 동작을 제어함으로써, 운전자의 안전 운행 환경을 제공할 수 있다.

또한, 전자 장치(100)는 획득된 주행 데이터에 기초하여 운전자의 운전 패턴을 학습함에 따라, 데이터 인식 모델을 업데이트할 수 있다. 전자 장치(100)는 업데이트된 데이터 인식 모델을 이용하여, 운전자의 운전 패턴을 학습하고, 학습한 운전 패턴을 기초로, 차량의 주행 동작을 제어할 수 있다.

도 1 내지 도 5는 일 실시 예를 설명하기 위해 도시한 것으로서 이에 한정되지 않는다.

도 6은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 출력하는 예를 설명하기 위한 흐름도이다. 도 7은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 출력하는 예를 설명하기 위한 도면이다. 도 6의 흐름도를 설명하면서, 도 7의 도면을 참조하여 설명하기로 한다.

도 6의 단계 S601에서, 일 실시 예에 따른 전자 장치(100)는 차량(1)의 주행 동작을 제어하기 위한 제어 신호를 생성할 수 있다. 도 6의 단계 S602에서, 일 실시 예에 따른 전자 장치(100)는, 제어신호에 기초하여 차량(1)의 주행 동작을 수행할 수 있다.

일 실시 예에 따르면, 전자 장치(100)를 장착한 운전자가 차량(1)을 운전하는 동안, 전자 장치(100)는 운전자의 주행이 위험 상태임을 판단하면, 차량(1)의 주행 동작을 직접 제어하기 위한 제어 신호를 생성하고, 차량의 주행 동작을 수행할 수 있다.

도 6의 단계 S603에서, 일 실시 예에 따른 전자 장치(100)는, 출력부를 통해 차량의 주행 동작 제어에 관한 정보를 출력할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 음향 출력부(282, 도 14)를 통해 차량의 주행 동작 제어에 관한 정보를 음향으로 출력할 수 있다.

도 7을 참조하면, 예를 들어, 전자 장치(100b)가 차량(1)의 주행을 우측 차선으로 차선 변경하도록 제어하는 경우, 예컨대, (“우측 차선으로 이동합니다.”(61)) 라는 정보를 음향 출력부(282, 도 14)를 통해 출력할 수 있다.

도 6 내지 도 7은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 8은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 차량의 디스플레이에 표시하는 예를 설명하기 위한 흐름도이다. 도 9 내지 도 10은 일 실시 예에 따라 차량의 주행 제어에 관한 정보를 출력하는 예를 설명하기 위한 도면이다. 도 8의 흐름도를 설명하면서, 도 9 내지 도 10의 도면을 참조하여 설명하기로 한다.

도 8의 단계 S801에서, 일 실시 예에 따른 전자 장치(100)는, 차량 시스템과 연동하여 동작할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 차량의 주행 중에 차량의 주행 동작을 제어하고 데이터를 송수신하기 위하여, 소정의 네트워크를 통하여 차량 시스템(1)과 통신할 수 있다. 이 경우, 네트워크는 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있으며, 이에 한정되는 것은 아니다. 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

도 8의 단계 S802에서, 일 실시 예에 따른 전자 장치(100)는, 차량(1)의 주행 동작을 수행할 수 있다. 일 실시 예에 따르면, 전자 장치(100)는 운전자의 운전 패턴이 위험 상태인 것으로 판단하면, 차량의 주행 동작을 직접 제어할 수 있다.

도 8의 단계 S803에서, 일 실시 예에 따른 전자 장치(100)는, 차량의 디스플레이부에 차량의 주행 동작 제어에 관한 정보를 표시하도록 제어할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 차량(1)에 장착된 디스플레이부(202, 도 15)에, 전자 장치(100)가 차량(1)의 주행 동작을 제어함에 대해 사용자에게 안내하기 위한 정보를 표시하도록 제어할 수 있다.

도 9를 참조하면, 전자 장치(100)는 차량 시스템(1)과의 연동을 나타내는 정보(예컨대, “웨어러블 로봇1과 연결됨.”(91))를 차량 시스템(1)의 디스플레이부(202)에 표시하도록 제어할 수 있다.

도 10을 참조하면, 전자 장치(100)는 차량(1)의 주행 제어를 나타내는 정보(예컨대, “운전자의 위험 상태 감지! 웨어러블 로봇1의 주행 제어를 시작합니다.”(103))를 차량 시스템(1)의 디스플레이부(202)에 표시할 수 있다.

도 8 내지 도 10은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 11 내지 도 12는 일 실시 예에 따라 차량 시스템과 연동하여 차량 주행 동작을 제어하는 예를 설명하기 위한 흐름도이다.

도 11의 단계 S1101에서, 일 실시 예에 따른 전자 장치(100)는, 차량 시스템으로부터, 운전자의 현재 주행 상태에 따른 차량의 주행 동작에 관한 제어 신호를 수신할 수 있다.

일 실시 예에 따르면, 차량 시스템(1)은 운전자의 운전 제어를 차단하고 직접 차량의 주행 동작을 제어하는 ADAS 시스템(Advanced Driver Assistance System) 기능을 수행 할 수 있다. 예를 들어, 차량 시스템(1)이 긴급 자동 브레이크 시스템 (AEB) 기능을 수행하여, 전방 차량과의 거리 및 상대 속도를 측정해 충돌 위험이 있다고 판단되면 자동으로 브레이크 동작 제어를 수행할 수 있다. 또한, 차량 시스템(1)은 차선 이탈 경보 시스템(LDWS), 차선유지지원시스템(LKAS), 사각지대 감지 시스템(BSD) 등의 기능을 수행할 수 있다.

일 실시 예에 따라 전자 장치(100)는 차량 시스템(1)으로부터, 운전자의 위험 운행 상태 시에, 차량의 주행 동작에 관한 제어 신호를 수신할 수 있다. 도 11의 단계 S1102에서, 일 실시 예에 따른 전자 장치(100)는, 수신한 제어 신호에 기초하여, 차량의 주행 동작을 결정할 수 있다. 도 11의 단계 S1103에서, 일 실시 예에 따른 전자 장치(100)는, 운전자의 현재 주행 상태에 따른 차량의 주행 동작을 학습 할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 차량 시스템(1)으로부터 수신한 제어 신호에 기초하여, 운전자의 현재 주행 상태에 대응하여 적절한 주행 제어 동작에 관하여 학습할 수 있다.

전자 장치(100)는 하나 이상의 데이터 인식 모델을 이용하여, 특정 주행 상태에서의 안전한 주행 제어 동작에 관하여 학습하고, 데이터 인식 모델을 업데이트 할 수 있다. 전자 장치(100)는 업데이트된 데이터 인식 모델을 이용하여, 차량 시스템(1)으로부터 제어 신호를 수신할 수 없는 상황에서도, 보다 적절한 주행 동작 제어를 수행할 수 있다.

도 12는 전자 장치(100)와 차량 시스템(1)이 연동하여 동작하는 일 예를 설명하기 위한 흐름도이다.

도 12의 단계 S1201에서, 일 실시 예에 따른 전자 장치(100)는, 주행 데이터에 기초하여, 운전자의 운전 패턴을 학습할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 센싱부(110, 도 14)를 이용하여 획득하는 차량의 주행 데이터(예컨대, 주행 속도, 가속도, 주행 방향 등), 운전자의 상태 데이터(예컨대, 운전자의 반응 속도 등) 등에 기초하여, 운전자가 어떠한 상황에서 어떠한 운전 패턴을 보이는지 인식할 수 있다.

도 12의 단계 S1202에서, 일 실시 예에 따른 전자 장치(100)는, 운전자의 현재 주행 상태가 위험 상태임을 감지할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 현재 주행 데이터를 획득하고, 현재 주행 데이터를 기 학습된 운전 패턴과 비교하여, 운전자의 현재 주행 상태가 위험 운행 상태인지 또는 안전 운행 상태인지 판단할 수 있다.

도 12의 단계 S1203에서, 일 실시 예에 따른 전자 장치(100)는, 운전자에 의한 주행 동작 제어를 차단할 수 있다.

일 실시 예에 따라, 전자 장치(100)는 운전자의 현재 주행 상태가 위험 상태인 것으로 판단하면, 운전자의 핸들 조작, 브레이크 조작 등에 의한 주행 동작 제어 신호가 차량 시스템(1)에 전달되지 않도록 차단시킬 수 있다.

한편, 도 12의 단계 S1204에서, 일 실시 예에 따른 차량 시스템(1)은, 차량의 제1주행 동작을 결정할 수 있다.

일 실시 예에 따르면, 차량 시스템(1)이 운전자의 위험 주행 상태를 판단하고, 차량(1)의 주행 제어를 수행할 수 있는 기능이 있는 경우, 차량 시스템(1)은 운전자의 위험 주행 상태에서 안전 운행을 위한 제1 주행 동작을 결정할 수 있다.

도 12의 단계 S1205에서, 일 실시 예에 따른 차량 시스템(1)은, 차량의 제1주행 동작을 제어하기 위한 제1 제어 신호 생성할 수 있다.

예를 들어, 차량 시스템(1)은 차량의 전방 차량과의 상대 거리가 미리 정해진 임계치 이하로 판단되고 운전자가 브레이크 동작을 시도하지 않는 운행 위험 상태를 감지하면, 제동 거리를 고려하여 급 정거를 위한 브레이크 동작 제어를 결정하고, 제어 신호를 생성할 수 있다.

도 12의 단계 S1206에서, 일 실시 예에 따른 웨어러블 장치(100)는 차량의 제1제어 신호를 수신할 수 있다.

일 실시 예에 따르면, 웨어러블 장치(100)와 연동하는 차량 시스템(1)은 웨어러블 장치(100)의 요청 신호에 응답하여, 제1 제어 신호를 웨어러블 장치(100)로 전송할 수 있다.

한편, 도 12의 단계 S1207에서, 일 실시 예에 따른 전자 장치(100)는, 차량 시스템(1)으로부터 수신한 제1 제어 신호와, 기 학습된 운전 패턴에 기초하여, 차량의 제2 주행 동작을 결정할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 현재 주행 상태와 기 학습된 운전 패턴에 기초하여, 안전 운행을 위해 적합한 주행 동작을 판단할 수 있다. 이 때, 전자 장치(100)는 차량 시스템(1)으로부터 주행 동작 제어를 위한 제1 제어 신호를 수신하는 경우, 기 학습된 운전 패턴 및 제1 제어 신호를 고려하여, 안전 운행을 위해 보다 적합한 제2 주행 동작을 결정할 수 있다.

도 12의 단계 S1208에서, 일 실시 예에 따른 전자 장치(100)는, 차량의 제2 주행 동작을 제어하기 위한 제2 제어 신호를 생성 할 수 있다. 도 12의 단계 S1209에서, 일 실시 예에 따른 전자 장치(100)는, 제2 제어 신호에 기초하여 차량의 주행 동작을 수행할 수 있다.

예를 들어, 전자 장치(100)는 급정거 제어가 필요한 위험 상태에서 주행 감속 제어를 결정 할 수 있고, 차량 시스템(1)에 의해 결정된 제1 제어 신호의 주행 감속도와 비교하여, 보다 적합한 주행 속도를 주행 동작으로 결정하고 수행할 수 있다.

한편, 도 12의 단계 S1210에서, 일 실시 예에 따른 전자 장치(100)는, 차량 시스템(1)으로 표시 제어 신호를 전송할 수 있다. 도 12의 단계 S1211에서, 일 실시 예에 따른 차량 시스템(1)은, 디스플레이부에 차량의 주행 동작 제어에 관한 정보를 표시할 수 있다.

일 실시 예에 따라, 차량 시스템(1)은 웨어러블 장치(100)의 표시 요청 신호에 응답하여, 디스플레이부(202, 도 15)에 차량의 주행 동작에 관한 정보를 출력함으로써, 운전자에게 운행 제어에 관한 정보를 제공할 수 있다.

한편, 도 12의 단계 S1212에서, 일 실시 예에 따른 전자 장치(100)는, 운전자의 현재 주행 상태에 따른 차량의 주행 동작을 학습 할 수 있다.

일 실시 예에 따르면, 전자 장치(100)는 하나 이상의 데이터 인식 모델을 이용하여, 어떠한 주행 상태에서 어떠한 주행 동작을 수행하는 것이 적합한지에 대한 데이터를 학습할 수 있다. 또한, 전자 장치(100)는 하나 이상의 데이터 인식 모델을 이용하여 현재 주행 상태에 따른 차량의 주행 동작을 학습함으로써, 데이터 인식 모델을 업데이트할 수 있다.

도 11 내지 도 12는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.

도 13은 일 실시예에 따른 전자 장치의 블록 구성도(block diagram)이다. 일 실시 예에 따라 전자 장치(100)는 센싱부(110) 및 프로세서(120)를 포함할 수 있다.

도 13에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

일 실시 예에 따라, 센싱부(110)는 차량(1)이 주행하는 중에, 차량(1)의 주행 데이터를 센싱할 수 있다.

센싱부(110)는 차량의 주행 상태, 운전자의 상태, 주행 중인 차량의 주변 상태 등을 감지하기 위한 다수의 센서들을 포함할 수 있다. 예를 들어, 센싱부(110)는 LIDAR 센서 및 RADAR 센서와 같은 거리 센서, 및 카메라와 같은 이미지 센서를 포함할 수 있다.

또한, 센싱부(110)는 다수의 센서들의 위치 및/또는 배향을 수정하도록 구성되는 하나 이상의 액추에이터들을 포함할 수 있는 바, 차량(1)의 전방, 후방, 및 측방 각각의 방향에 위치한 객체를 센싱할 수 있다.

또한, 센싱부(110)는 이미지 센서(image sensor)를 이용하여 주변에 위치한 객체의 형태 및 차로의 형태 등을 센싱할 수 있다.

또한, 센싱부(110)는 전자 장치(100)를 착용한 사용자의 생체 정보(예컨대, 사용자의 심박수, 사용자의 신체 온도 등)을 센싱할 수 있다.

일 실시예에 따라, 프로세서(120)는 적어도 하나의 프로세서로 구성될 수 있다.

일 실시 예에 따라 프로세서(120)는, 차량(1)이 주행하는 동안 센싱부(110)를 통해 획득된 주행 데이터에 기초하여, 웨어러블 장치(100)를 장착하고 차량(1)을 운전하는 운전자의 운전 패턴을 인식할 수 있다.

프로세서(120)는 센싱부(110)를 통해, 차량의 주행 정보, 차량의 주변 영상 정보 및 운전자의 상태 정보 중 적어도 하나를 포함하는 주행 데이터를 획득할 수 있다.

또한, 프로세서(120)는, 하나 이상의 데이터 인식 모델을 이용하여, 주행 데이터에 기초하여, 운전자의 운전 패턴을 학습할 수 있다.

또한, 프로세서(120)는 센싱부(110)를 통해 획득된 현재 주행 데이터와 인식된 운전자의 운전 패턴에 기초하여, 운전자의 현재 주행 상태를 결정할 수 있다.

또한, 프로세서(120)는 운전자의 현재 주행 상태에 따라, 차량(1)의 주행 동작을 결정할 수 있다.

또한, 프로세서(120)는 운전자의 현재 주행 상태가 위험 상태임을 판단함에 따라, 운전자에 의한 주행 동작 제어를 차단할 수 있다.

또한, 프로세서(120)는 차량의 주행 속도 및 주행 방향 중 적어도 하나를 포함하는 차량의 주행 동작을 결정할 수 있다.

또한, 프로세서(120)는 하나 이상의 데이터 인식 모델을 이용하여, 인식된 운전자의 운전 패턴에 기초하여, 차량의 주행 동작을 결정할 수 있다.

또한, 프로세서(120)는 차량(1)의 주행 동작을 제어하기 위한 제어 신호를 생성할 수 있다.

또한, 프로세서(120)는 통신부(160)를 통해, 차량 시스템(1)으로부터, 운전자의 현재 주행 상태에 따른 차량의 주행 동작에 관한 제어 신호를 수신할 수 있다. 또한, 프로세서(120)는 수신한 제어 신호에 기초하여 차량의 주행 동작을 결정할 수 있다.

또한, 프로세서(120)는 하나 이상의 데이터 인식 모델을 이용하여, 차량 시스템(1)으로부터 수신한, 운전자의 현재 주행 상태에 따른 차량의 주행 동작을 학습할 수 있다.

또한, 프로세서(120)는 차량의 주행 동작을 제어함에 따라, 차량에 장착된 디스플레이부(202)에 차량(1)의 주행 동작 제어에 관한 정보를 표시하도록 제어할 수 있다.

또한, 프로세서(120)는 차량의 주행 동작을 제어함에 따라, 출력부(130)를 통해 차량의 주행 동작 제어에 관한 정보를 출력할 수 있다.

도 14는 일 실시 예에 따른 전자 장치의 상세 블록 구성도(block diagram)이다.

도 14에 도시한 바와 같이, 일 실시 예에 따른 전자 장치(100)는, 센싱부(110) 및 프로세서(120) 이외에, 출력부(130), 저장부(140), 입력부(150), 통신부(160)를 더 포함할 수 있다. 도 14에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

일 실시 예에 따른 센싱부(110)는 차량(1)이 위치해 있는 주변 환경에 관한 정보를 감지하도록 구성되는 다수의 센서들을 포함할 수 있고, 센서들의 위치 및/또는 배향을 수정하도록 구성되는 하나 이상의 액추에이터들을 포함할 수 있다. 예를 들어, 센싱부(110)는 GPS(Global Positioning System)(224), IMU(Inertial Measurement Unit)(225), RADAR 센서(226), LIDAR 센서(227), 이미지 센서(228) 및 Odometery 센서(230)를 포함할 수 있다. 또한, 센싱부(110)는 온/습도 센서(232), 적외선 센서(233), 기압 센서(235), 근접 센서(236), 및 RGB 센서(illuminance sensor)(237) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

또한, 센싱부(110)는 차량(1)의 움직임을 센싱할 수 있는 움직임 센싱부(238)를 포함할 수 있다. 움직임 센싱부(238)는 지자기 센서(Magnetic sensor)(229), 가속도 센서(Acceleration sensor)(231), 및 자이로스코프 센서(234)를 포함할 수 있다.

GPS(224)는 차량(1)의 지리적 위치를 추정하도록 구성되는 센서일 수 있다. 즉, GPS(224)는 지구에 대한 차량(1)의 위치를 추정하도록 구성되는 송수신기를 포함할 수 있다.

IMU(225)는 관성 가속도에 기초하여 차량(1)의 위치 및 배향 변화들을 감지하도록 구성되는 센서들의 조합이 될 수 있다. 예를 들어, 센서들의 조합은, 가속도계들 및 자이로스코프들을 포함할 수 있다.

RADAR 센서(226)는 무선 신호를 사용하여 차량(1)이 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 있다. 또한, RADAR 센서(226)는, 물체들의 속도 및/또는 방향을 감지하도록 구성될 수 있다.

LIDAR 센서(227)는 레이저를 사용하여 차량(1)이 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 잇다. 보다 구체적으로, LIDAR 센서(227)는 레이저를 방출하도록 구성되는 레이저 광원 및/또는 레이저 스캐너와, 레이저의 반사를 검출하도록 구성되는 검출기를 포함할 수 잇다. LIDAR 센서(227)는 코히런트(coherent)(예컨대, 헤티로다인 검출을 사용함) 또는 비코히런트(incoherent) 검출 모드에서 동작하도록 구성될 수 있다.

이미지 센서(228)는 차량(1) 외부의 환경을 기록하도록 구성되는 스틸 카메라 또는 비디오 카메라가 될 수 있다. 예를 들어, 이미지 센서(228)는 다수의 카메라들을 포함할 수 있고, 다수의 카메라들은 차량(1)의 내부 및 외부 상의 다수의 위치들에 배치될 수 있다.

Odometery 센서(230)는 차량(1)의 위치를 추정하고, 이동 거리를 측정할 수 있다. 예를 들어, Odometery 센서(230)는 차량(1)의 바퀴의 회전 수를 이용하여 차량(1)의 위치 변화 값을 측정할 수 있다.

저장부(140)는 마그네틱 디스크 드라이브, 광학 디스크 드라이브, 플래쉬 메모리를 포함할 수 있다. 또는 저장부(140)는 휴대 가능한 USB 데이터 저장 장치가 될 수 있다. 저장부(140)는 본원과 관련되는 예들을 실행하기 위한 시스템 소프트웨어를 저장할 수 있다. 본원과 관련되는 예들을 실행하기 위한 시스템 소프트웨어는 휴대 가능한 저장 매체에 저장될 수 있다.

통신부(160)는 다른 디바이스와 무선으로 통신하기 위한 적어도 하나의 안테나를 포함할 수 있다. 예를 들어, 통신부(160)는 와이파이 또는 블루투스를 통해 무선으로 셀룰러 네트워크 또는 다른 무선 프로토콜 및 시스템과 통신하기 위해 이용될 수 있다. 프로세서(120)에 의해 제어되는 통신부(160)는 무선 신호를 송수신할 수 있다. 예를 들어, 프로세서(120)는, 통신부(160)가 셀룰러 네트워크와 무선 신호를 송수신하기 위해, 저장부(140)에 포함된 프로그램을 실행시킬 수 있다.

입력부(150)는 차량(1)을 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 입력부(150)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 또한, 입력부(150)는 마이크를 포함할 수 있는 바, 마이크는 차량(1)의 탑승자로부터 오디오(예를 들어, 음성 명령)를 수신하도록 구성될 수 있다.

출력부(130)는 오디오 신호 또는 비디오 신호를 출력할 수 있으며, 출력 장치(280)는 디스플레이(281), 및 음향 출력부(282)를 포함할 수 있다.

디스플레이(281)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 출력부(130)의 구현 형태에 따라, 출력부(130)는 디스플레이(281)를 2개 이상 포함할 수도 있다.

음향 출력부(282)는 통신부(160)로부터 수신되거나 저장부(140)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(282)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

입력부(150) 및 출력부(130)는 네트워크 인터페이스를 포함할 수 있고, 터치 스크린으로 구현될 수 있다.

프로세서(120)는, 저장부(140)에 저장된 프로그램들을 실행함으로써, 센싱부(110), 통신부(160), 입력부(150), 저장부(140), 및 출력부(130)를 전반적으로 제어할 수 있다.

도 15는 일 실시예에 따른 차량의 블록 구성도(block diagram)이다.

일 실시 예에 따른 전자 장치(100)는 센싱부(110), 프로세서(120) 및 통신부(160)를 포함할 수 있다. 센싱부(110), 프로세서(120), 통신부(160)에 관한 설명은 도 13 내지 도 14에 관한 설명에서 상술하였으므로, 생략하기로 한다.

일 실시 예에 따라, 전자 장치(100)는 통신부(160)를 통해, 차량(1)과 데이터를 송수신할 수 있다.

차량 시스템(1)은 프로세서(201), 디스플레이부(202), 통신부(203) 및 주행 장치(200)를 포함할 수 있다. 또한, 차량 시스템(1)은 센싱부(미도시)를 포함할 수 있으며, 도 14에서 도시한 센싱부(110)의 기능을 포함할 수 있다.

주행 장치(200)는 브레이크 유닛(221), 조향 유닛(222) 및 스로틀(223)을 포함할 수 있다.

조향 유닛(222)은 차량(1)의 방향을 조절하도록 구성되는 매커니즘들의 조합이 될 수 있다.

스로틀(223)은 엔진/모터(211)의 동작 속도를 제어하여, 차량(1)의 속도를 제어하도록 구성되는 매커니즘들의 조합이 될 수 있다. 또한, 스로틀(223)은 스로틀 개방량을 조절하여 엔진/모터(211)로 유입되는 연료공기의 혼합 가스 양을 조절할 수 있으며, 스로틀 개방량을 조절하여 동력 및 추력을 제어할 수 있다.

브레이크 유닛(221)은 차량(1)을 감속시키도록 구성되는 매커니즘들의 조합이 될 수 있다. 예를 들어, 브레이크 유닛(221)은 휠/타이어(214)의 속도를 줄이기 위해 마찰을 사용할 수 있다.

도 16은 일 실시예에 따른 프로세서(120)의 블록도이다.

도 16을 참조하면, 일부 실시예에 따른 프로세서(120)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.

데이터 학습부(1310)는 상황 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.

데이터 인식부(1320)는 데이터에 기초한 상황을 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 상황을 인식할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초한 소정의 상황을 판단할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 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.

이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.

한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 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 17은 일 실시예에 따른 데이터 학습부의 블록도이다.

도 17은 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.

도 17을 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.

데이터 획득부(1310-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

일 실시 예에 따라, 데이터 획득부(1310-1)는 차량 주행 제어를 위해 필요한 차량의 주행 상태, 운전자의 상태, 다른 차량의 주행 상태 등을 감지함에 따라 주행 데이터를 획득할 수 있다. 또한, 데이터 획득부(1310-1)는 서버로부터 주행 데이터를 수신할 수도 있다.

예를 들어, 데이터 획득부(1310-1)는 차량(1)의 주변 영상을 입력 받을 수 있다. 주변 영상은 복수의 이미지(또는, 프레임(frame))들로 구성될 수 있다. 일 예로, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 전자 장치의 카메라, 또는 데이터 학습부(1310)를 포함하는 전자 장치와 통신 가능한 외부의 카메라(예로, CCTV 또는 블랙박스 등)를 통하여 동영상을 입력 받을 수 있다. 여기서, 카메라는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다.

또한, 예컨대, 데이터 획득부(1310-1)는 차량의 주행 상태, 운전자의 상태, 주변 영상 정보, 주변 차량의 주행 상태 등을 획득할 수 있다. 일 예로, 데이터 획득부(1310-1)는 전자 장치의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다.

전처리부(1310-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1310-2)는 입력된 동영상의 적어도 일부를 구성하는 복수의 이미지(또는 프레임(frame))들 각각에 포함된 공통 영역을 기초로, 복수의 이미지들의 적어도 일부를 중첩하여 하나의 합성 이미지를 생성할 수 있다. 이 경우, 하나의 동영상에서 복수 개의 합성 이미지들이 생성될 수도 있다. 공통 영역은, 복수의 이미지들 각각에서 동일 또는 유사한 공통 오브젝트(예로, 물체, 동식물 또는 사람 등)를 포함한 영역이 될 수 있다. 또는, 공통 영역은, 복수의 이미지들 각각에서 색, 음영, RGB 값 또는 CMYK 값 등이 동일 또는 유사한 영역이 될 수 있다.

학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

예를 들어, 차량(1)의 주행 중에 획득되는 차량의 평균 속도, 가속도, 운전자의 반응 속도, 평균 제동 거리 등의 차량의 주행 상태에 관한 데이터, 차량(1)의 주행 경로 상에 영향을 미칠 수 있는 다른 차량, 장애물, 보행자 등에 관한 데이터가 선택될 수 있다. 또한, 예를 들어, 차량(1)을 운전 중인 운전자가 운전 이외의 행동을 하는 영상에 관한 데이터가 선택될 수 있다.

모델 학습부(1310-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

일 실시 예에 따라, 모델 학습부(1310-4)는 차량의 주행 상태, 운전자의 상태, 차량 주변 외부의 상태 등을 포함하는 주행 데이터에 기초하여, 운전자의 운전 패턴을 판단하기 위한 기준을 학습할 수 있다.

또한, 모델 학습부(1310-4)는 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.

데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 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 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 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(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도 없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.

또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 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(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 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 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.

한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 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(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 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 18은 일 실시예에 따른 데이터 인식부의 블록도이다.

도 18은 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.

도 18을 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.

데이터 획득부(1320-1)는 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.

일 실시 예에 따라, 운전자의 운전 패턴 또는 운전자의 현재 주행 상태는, 텍스트, 음성, 동영상, 이미지 또는 명령어(예로, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다.

인식 결과 제공부(1320-4)는 운전자의 현재 주행 상태로서, ‘위험 상황 발생’, ‘충돌 위험’, ‘중앙선 침범 위험’ 등을 텍스트, 음성, 동영상, 이미지 등으로 제공할 수 있다.

모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 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(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 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 19는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 19는 일부 실시 예에 따른 전자 장치(100) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 19를 참조하면, 서버(2000)는 상황 판단을 위한 기준을 학습할 수 있으며, 디바이스(1000)는 서버(2000)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.

이 경우, 서버(2000)의 모델 학습부(2340)는 도 17에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.

또한, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 상황을 판단할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 상황에 관한 정보를 서버(2000)로부터 수신할 수 있다.

예를 들어, 전자 장치(100)는 차량(1)의 주행 상태, 운전자의 상태를 포함하는 주행 데이터를 서버(2000)에게 전송하고, 서버(2000)가 주행 데이터를 데이터 인식 모델에 적용하여 운전자의 운전 패턴을 판단할 것을 요청할 수 있다. 또한, 전자 장치(100)는 서버(2000)에 의해 판단된 운전자의 운전 패턴을 서버(2000)로부터 수신할 수 있다.

또는, 전자 장치(100)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 상황을 판단할 수 있다. 이 경우, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다.

예를 들어, 전자 장치(100)는 차량(1)의 주행 상태, 운전자의 상태를 포함하는 주행 데이터를, 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여, 운전자의 운전 패턴을 학습할 수 있다.

상기 살펴 본 실시 예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.

본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.

100 : 전자 장치
110 : 센싱부
120 : 프로세서

Claims

차량의 주행을 보조하는 웨어러블 장치에 있어서,
센싱부; 및
상기 차량이 주행하는 동안 상기 센싱부를 통해 획득된 주행 데이터에 기초하여, 상기 장치를 장착하고 상기 차량을 운전하는 운전자의 운전 패턴을 인식하고,
상기 센싱부를 통해 획득된 현재 주행 데이터와 상기 인식된 운전자의 운전 패턴에 기초하여, 상기 운전자의 현재 주행 상태를 결정하고,
상기 운전자의 현재 주행 상태에 따라, 상기 차량의 주행 동작을 결정하고,
상기 차량의 주행 동작을 제어하기 위한 제어 신호를 생성하는 프로세서를 포함하는, 장치.
제1 항에 있어서,
상기 프로세서는,
하나 이상의 데이터 인식 모델을 이용하여, 상기 주행 데이터에 기초하여, 상기 운전자의 운전 패턴을 학습하는, 장치.
제1 항에 있어서,
상기 프로세서는,
상기 운전자의 현재 주행 상태가 위험 상태임을 판단함에 따라, 상기 운전자에 의한 주행 동작 제어를 차단하고,
상기 차량의 주행 속도 및 주행 방향 중 적어도 하나를 포함하는 상기 차량의 주행 동작을 결정하는, 장치.
제1 항에 있어서,
상기 프로세서는,
하나 이상의 데이터 인식 모델을 이용하여, 상기 인식된 운전자의 운전 패턴에 기초하여, 상기 차량의 주행 동작을 결정하는, 장치.
제1 항에 있어서,
상기 프로세서는,
상기 센싱부를 통해, 상기 차량의 주행 정보, 상기 차량의 주변 영상 정보 및 상기 운전자의 상태 정보 중 적어도 하나를 포함하는 상기 주행 데이터를 획득하는, 장치.
제1 항에 있어서,
통신부를 더 포함하고,
상기 프로세서는,
상기 통신부를 통해, 상기 차량 시스템으로부터, 상기 운전자의 현재 주행 상태에 따른 상기 차량의 주행 동작에 관한 제어 신호를 수신하고,
상기 수신한 제어 신호에 기초하여 상기 차량의 주행 동작을 결정하는, 장치.
제6 항에 있어서,
상기 프로세서는,
하나 이상의 데이터 인식 모델을 이용하여, 상기 차량 시스템으로부터 수신한, 상기 운전자의 현재 주행 상태에 따른 상기 차량의 주행 동작을 학습하는, 장치.
제1 항에 있어서,
상기 프로세서는,
상기 차량의 주행 동작을 제어함에 따라, 상기 차량에 장착된 디스플레이부에 상기 차량의 주행 동작 제어에 관한 정보를 표시하도록 제어하는, 장치.
제1 항에 있어서,
출력부를 더 포함하고,
상기 프로세서는,
상기 차량의 주행 동작을 제어함에 따라, 상기 출력부를 통해 상기 차량의 주행 동작 제어에 관한 정보를 출력하는, 장치.
차량의 주행을 보조하는 웨어러블 장치의 동작 방법에 있어서,
상기 차량이 주행하는 동안 센싱부를 통해 획득된 주행 데이터에 기초하여, 상기 장치를 장착하고 상기 차량을 운전하는 운전자의 운전 패턴을 인식하는 단계;
상기 센싱부를 통해 획득된 현재 주행 데이터와 상기 인식된 운전자의 운전 패턴에 기초하여, 상기 운전자의 현재 주행 상태를 결정하는 단계;
상기 운전자의 현재 주행 상태에 따라, 상기 차량의 주행 동작을 결정하는 단계; 및
상기 차량의 주행 동작을 제어하기 위한 제어 신호를 생성하는 단계를 포함하는, 방법.
제10 항에 있어서,
상기 운전자의 운전 패턴을 인식하는 단계는,
하나 이상의 데이터 인식 모델을 이용하여, 상기 주행 데이터에 기초하여, 상기 운전자의 운전 패턴을 학습하는, 방법.
제10 항에 있어서,
상기 운전자의 현재 주행 상태가 위험 상태임을 판단함에 따라, 상기 운전자에 의한 주행 동작 제어를 차단하는 단계를 더 포함하고,
상기 차량의 주행 동작을 결정하는 단계는,
상기 차량의 주행 속도 및 주행 방향 중 적어도 하나를 포함하는 상기 차량의 주행 동작을 결정하는, 방법.
제10 항에 있어서,
상기 센싱부를 통해, 상기 차량의 주행 정보, 상기 차량의 주변 영상 정보 및 상기 운전자의 상태 정보 중 적어도 하나를 포함하는 상기 주행 데이터를 획득하는 단계를 더 포함하는, 방법.
제10 항에 있어서,
통신부를 통해, 상기 차량 시스템으로부터, 상기 운전자의 현재 주행 상태에 따른 상기 차량의 주행 동작에 관한 제어 신호를 수신하는 단계; 및
상기 수신한 제어 신호에 기초하여 상기 차량의 주행 동작을 결정하는 단계를 더 포함하는, 방법.
제14 항에 있어서,
하나 이상의 데이터 인식 모델을 이용하여, 상기 차량 시스템으로부터 수신한, 상기 운전자의 현재 주행 상태에 따른 상기 차량의 주행 동작을 학습하는 단계를 더 포함하는, 방법.
제10 항에 있어서,
상기 차량의 주행 동작을 제어함에 따라, 상기 차량에 장착된 디스플레이부에 상기 차량의 주행 동작 제어에 관한 정보를 표시하도록 제어하는 단계를 더 포함하는, 방법.
제10 항에 있어서,
상기 차량의 주행 동작을 제어함에 따라, 출력부를 통해 상기 차량의 주행 동작 제어에 관한 정보를 출력하는 단계를 더 포함하는, 방법.
제10 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.