KR20190087352A

KR20190087352A - 차량에 사용되는 브레이크 제어시스템 및 그 제어방법

Info

Publication number: KR20190087352A
Application number: KR1020190081275A
Authority: KR
Inventors: 김태현; 김범오; 맹지찬; 신원호; 채종훈
Original assignee: 엘지전자 주식회사
Priority date: 2019-07-05
Filing date: 2019-07-05
Publication date: 2019-07-24
Also published as: US20190389442A1; US11225231B2; KR102645574B1

Abstract

차량에 사용되는 브레이크 제어시스템 및 그 제어방법을 개시한다. 브레이크 제어시스템은 차량에 구비되는 브레이크 디스크를 가압하여 차량을 제동하는 브레이크 패드, 차량의 속도, 브레이크 패드의 마모도, 차량의 주행거리, 차량의 제동거리 및 제동시 브레이크 패드가 브레이크 디스크에 가하는 제동압력을 측정하는 측정장치, 및 측정장치와 연결되고, 브레이크 패드의 동작을 제어하는 제어부를 포함하여 구비될 수 있다. 제어부는, 차량의 최초 운행전의 제동거리의 설계값인 최초제동거리와 차량의 일정기간 운행 후의 제동거리인 현재제동거리를 서로 비교하고, 현재제동거리와 최초제동거리의 차이값인 제동거리 증가량이 설정된 범위를 벗어나는 경우에, 제동거리 증가량에 대응하여 브레이크 패드의 제동압력을 증가시킬 수 있다. 브레이크 제어시스템은 5G(Generation) 통신에 따라 구축된 이동 통신망 상에서 무선신호를 송수신할 수 있다.

Description

차량에 사용되는 브레이크 제어시스템 및 그 제어방법{Brake control system used in a vehicle and control method thereof}

실시예는, 차량에 사용되는 브레이크 제어시스템 및 그 제어방법에 관한 것으로, 더욱 상세하게는 인공지능 모델을 학습함으로써, 운행조건에 맞는 제동압력을 선택하고, 선택된 제동압력으로 차량을 제동하도록 제어할 수 있는 브레이크 제어시스템 및 그 제어방법에 관한 것이다.

이 부분에 기술된 내용은 단순히 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

차량에 사용되는 브레이크 제어시스템은 차량운행의 안전에 매우 중요한 역할을 한다. 차량을 제동하는 경우에 언제든지 브레이크가 정상적으로 작동하여야 사고의 발생, 이로인한 인적, 물적 손해를 예방할 수 있다. 따라서, 브레이크 제어시스템은 안전을 고려한 설계상의 제동거리가 있고, 이러한 안전상의 제동거리가 유지되도록 관리될 필요가 있다.

그러나, 차량의 운행기간이 증가하고 차량이 노후화될수록, 브레이크 패드의 마모, 브레이크 디스크의 마모 등으로 제동거리는 점차 증가하여, 설계상 허용되는 범위를 넘어서고, 이로인해 차량 운행중 위험한 상황이 발생할 수 있다. 따라서, 차량의 제동거리가 증가하는 경우에도, 제동거리가 적어도 설계상 안전한 범위내에 있도록, 제동거리를 제어하는 브레이크 제어시스템의 개발이 요구된다.

한편, 최근 인공지능(Artificial Intelligence, AI)에 관한 기술의 연구 및 개발이 확산되고 있다. 인공 지능은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

제동거리를 제어하는 브레이크 제어시스템에 있어서, 인공지능 모델 학습을 이용하는 기술이 사용될 수 있다.

한국 공개특허 10-2019-0023381은 브레이크 패드의 마모량 측정장치 및 마모량 측정방법에 관한 내용을 개시한다.

한국 등록특허 10-1338433은 모터 구동을 위해 공급되는 전류량과 모터 축의 회전각으로부터 패드의 마모 등 전동 브레이크장치의 클램핑력 변화를 추정하고, 전동 브레이크의 클램핑력 변화에 따라 전류량을 조절하여 안정적인 클램핑력을 제공하고자 하는 전동 브레이크장치의 제어방법을 개시한다.

그러나, 전술한 문헌들은 제동거리가 증가하는 경우 이러한 제동거리를 줄일 수 있는 브레이크 제어시스템에 관한 구성, 인공지능 학습모델을 이용하여 차량의 각각의 운행조건에서 필요한 제동거리를 도출하는 구성은 개시하지 않는다.

실시예에서는, 차량의 운행에 의해 차량의 제동거리가 증가하는 경우, 제동거리가 안전한 범위 내에 있도록 제어하는 방안을 제시한다.

실시예에서는, 인공지능 모델 학습을 이용하여 차량의 각각의 운행조건에서 필요한 제동거리를 도출하는 방안을 제시한다.

실시예에서는, 안공지능 모델 학습을 이용하여 도출된 제동거리에 관한 값을 이용하여 차량의 제동거리를 제어하는 방안을 제시한다.

실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 실시예가 속하는 기술분야에서 통상의 지식을 가진자에게 명확하게 이해될 수 있을 것이다.

전술한 과제를 달성하기 위해, 브레이크 제어시스템은 차량에 구비되는 브레이크 디스크를 가압하여 차량을 제동하는 브레이크 패드, 차량의 속도, 브레이크 패드의 마모도, 차량의 주행거리, 차량의 제동거리 및 제동시 브레이크 패드가 브레이크 디스크에 가하는 제동압력을 측정하는 측정장치, 및 측정장치와 연결되고, 브레이크 패드의 동작을 제어하는 제어부를 포함하여 구비될 수 있다.

제어부는, 차량의 최초 운행전의 제동거리의 설계값인 최초제동거리와 차량의 일정기간 운행 후의 제동거리인 현재제동거리를 서로 비교하고, 현재제동거리와 최초제동거리의 차이값인 제동거리 증가량이 설정된 범위를 벗어나는 경우에, 제동거리 증가량에 대응하여 브레이크 패드의 제동압력을 증가시킬 수 있다.

제동압력 증가량은 차량의 속도가 다른 조건에서 제동거리 증가량이 설정된 범위를 충족하도록 인공지능(Artificial Intelligence) 모델에 따라 학습된, 각각의 차량속도 조건에서의 값일 수 있다.

제어부는, 브레이크 패드의 제동압력 증가량을 도출하는 프로세서와 연결될 수 있다.

프로세서는, 인공지능 모델에 따라 학습을 수행하되, 적어도 하나의 입력인자를 입력받아 제동압력 증가량을 도출할 수 있다.

입력인자는, 차량의 속도, 브레이크 패드의 마모도, 차량의 주행거리, 차량의 제동거리 및 브레이크 패드의 제동압력 중 적어도 하나일 수 있다.

제동압력 증가량은, 인공지능 모델에 따른 학습모드 중, 차량의 속도, 브레이크 패드의 마모도, 차량의 주행거리, 차량의 제동거리 및 브레이크 패드의 제동압력 중 적어도 하나가 다른 조건에서 제동거리 증가량을 0 또는 양의 설정값으로 하는 값일 수 있다.

브레이크 제어시스템은 서버와 통신을 위한 통신부를 더 포함하고, 프로세서는 서버에 구비될 수 있다.

제어부는, 제동압력 증가량에 관한 정보를 서버로부터 전송받을 수 있다.

브레이크 제어시스템은 제동압력 증가량에 관한 정보를 저장하는 메모리부를 더 포함할 수 있다.

제어부는 메모리부에 저장된 제동압력 증가량에 관한 정보에 기반하여 제동압력 증가량을 선택할 수 있다.

제동거리 증가량의 설정값은, 차량의 속도가 다른 조건에서 각각 다르게 설정될 수 있다.

전술한 과제를 달성하기 위해, 브레이크 제어시스템 작동방법은, 차량의 제동거리가 설정된 범위 내인지 판단하는 단계, 차량의 제동거리가 설정된 범위를 벗어나는 경우, 제동거리에 관한 정보를 저장하는 단계, 저장된 제동거리에 관한 정보로부터 제동거리 증가량을 계산하는 단계, 및 제동압력에 제동거리 증가량에 대응하는 제동압력 증가량을 추가하여 차량을 제동하는 단계를 포함할 수 있다.

제동압력 증가량은, 차량의 속도가 다른 조건에서 제동거리 증가량이 설정된 범위를 충족하도록 인공지능(Artificial Intelligence) 모델에 따라 학습된, 각각의 차량속도 조건에서의 값일 수 있다.

브레이크 제어시스템은 브레이크 패드의 동작을 제어하는 제어부를 포함하고, 제어부는 브레이크 패드의 제동압력 증가량을 도출하는 프로세서와 연결될 수 있다.

브레이크 제어시스템 작동방법은, 차량의 제동거리가 설정된 범위 내인 경우, 제동거리에 관한 정보를 저장하는 단계를 더 포함할 수 있다.

제어부는, 저장된 제동거리에 관한 정보로부터 차량의 제동거리가 설정된 범위에 도달하는 시점을 판단할 수 있다.

실시예에서, 차량의 운행기간의 증가로 인해 제동거리가 증가하는 경우, 브레이크 패드의 제동압력을 증가시켜 제동거리를 감소시킴으로써, 제동거리 증가로 인한 사고발생을 억제할 수 있다.

실시예에서, 인공지능 모델 학습을 통해 차량 운행조건이 서로 다른 경우에도 적절한 제동압력을 선택할 수 있으므로, 차량운행의 안전을 도모할 수 있다.

실시예에서, 인공지능 모델 학습을 지속적으로 실시함으로써, 차량 운행조건이 지속적으로 변경되는 경우에도 변경된 운행조건에 맞는 제동압력을 신속하게 도출할 수 있다.

도 1은 차량의 사용에 의해 차량 브레이크의 제동거리가 증가하는 것을 설명하기 위한 도면이다.
도 2는 차량의 제동압력과 차량 브레이크의 제동거리의 관계를 도시한 그래프이다.
도 3은 차량의 사용에 의해 도 2에서 XX라인이 시프트(shift)되는 현상을 설명하기 위한 그래프이다.
도 4는 일 실시예에 따른 차량에 사용되는 브레이크 제어시스템을 나타낸 도면이다.
도 5는 일 실시예에 따른 차량의 제동압력과 제동거리의 관계를 설명하기 위한 그래프이다.
도 6는 일 실시예에 따른 인공지능 신경망을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 차량에 사용되는 브레이크 제어시스템의 작동방법을 설명하기 위한 순서도이다.

이하, 첨부된 도면들을 참조하여 실시예를 상세히 설명한다. 실시예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 실시예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 실시예의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

"제1", "제2" 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로 사용된다. 또한, 실시예의 구성 및 작용을 고려하여 특별히 정의된 용어들은 실시예를 설명하기 위한 것일 뿐이고, 실시예의 범위를 한정하는 것이 아니다.

실시예의 설명에 있어서, 각 element의 "상(위)" 또는 "하(아래)(on or under)"에 형성되는 것으로 기재되는 경우에 있어, 상(위) 또는 하(아래)(on or under)는 두개의 element가 서로 직접(directly)접촉되거나 하나 이상의 다른 element가 상기 두 element사이에 배치되어(indirectly) 형성되는 것을 모두 포함한다. 또한 “상(위)" 또는 "하(아래)(on or under)”로 표현되는 경우 하나의 element를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.

또한, 이하에서 이용되는 "상/상부/위" 및 "하/하부/아래" 등과 같은 관계적 용어들은, 그런 실체 또는 요소들 간의 어떠한 물리적 또는 논리적 관계 또는 순서를 반드시 요구하거나 내포하지는 않으면서, 어느 한 실체 또는 요소를 다른 실체 또는 요소와 구별하기 위해서 이용될 수도 있다.

도 1은 차량의 사용에 의해 차량 브레이크의 제동거리가 증가하는 것을 설명하기 위한 도면이다. 도 1의 (a)는 차량의 초기 운행시 제동하는 경우의 제동거리를 나타내고, 도 1의 (b)는 차량의 일정기간 운행 후 제동하는 경우의 제동거리를 나타낸다.

도 1의 (a)를 참조하면, 차량은 초기 운행시 제동하는 경우, 상기 차량의 최초 운행전의 제동거리의 설계값인 최초제동거리와 동일하거나 극히 유사한 제동거리를 가질 수 있다.

도 1의 (b)를 참조하면, 차량을 일정기간 운행 후 제동하는 경우, 차량의 현재제동거리는 최초제동거리보다 증가할 수 있다. 이는 차량의 운행에 의한 노후화 현상의 하나의 특징이다.

차량의 지속적인 운행에 따라 차량의 제동거리도 증가하는 이유는, 예를 들어 차량 브레이크 패드(100)의 마모, 브레이크 오일의 성능저하, 상기 브레이크 패드(100)와 접촉하여 차를 제동하는 브레이크 디스크의 마모, 브레이크 패드(100)와 브레이크 디스크를 포함하는 브레이크 장치의 노후화에 따른 성능저하 기타 다양한 것이 있을 수 있다.

차량의 제동거리가 증가하면, 사고의 위험도 증가할 수 있다. 따라서, 차량을 일정기간 운행한 후의 현재제동거리를 줄일 필요가 있다. 즉, 상기 현재제동거리와 상기 최초제동거리의 차이값인 제동거리 증가량을 0으로 하거나, 또는 상기 제동거리 증가량을 사고의 위험을 줄일 수 있는 범위 이하가 되도록 제어할 필요가 있다.

도 2는 차량의 제동압력과 차량 브레이크의 제동거리의 관계를 도시한 그래프이다. 차량의 제동압력은 브레이크 패드(100)가 이와 접촉하는 브레이크 디스크를 가압하는 힘을 의미할 수 있다.

도 2에 도시된 바와 같이, 제동압력과 제동거리의 관계는, 제동압력이 증가할수록 제동거리는 감소하고, 제동거리에 대한 제동압력의 비율 즉, 기울기가 대체로 일정한 직선으로 표시될 수 있다.

도 2에서 제동압력과 제동거리의 관계를 나타내는 복수의 선이 도시되었는데, 이는 제동시 차량의 속도의 차이에 따라 상기 기울기의 값이 서로 다르기 때문이다.

차량의 속도가 느린 상태에서 제동하는 경우에 제동압력의 증가에 따라 제동거리는 비교적 급격하게 줄어들고, 차량의 속도가 빠른 상태에서 제동하는 경우에 제동압력의 증가에 따라 제동거리는 비교적 완만하게 줄어들 수 있다.

이때, 도 2에서 동일한 라인은 차량의 제동시 차량의 속도가 동일한 경우의 제동압력과 제동거리의 관계를 나타낸다. 이하에서, 차량의 사용에 따라 차량의 제동압력과 제동거리의 관계를 나타내는 라인이 시프트(shift)되는 현상에 대해 설명한다.

도 3은 차량의 사용에 의해 도 2에서 XX라인이 시프트(shift)되는 현상을 설명하기 위한 그래프이다. 명확한 설명을 위해, 차량의 제동시 차량의 속도는 항상 동일한 경우에 대해서 설명한다. 즉, 도 3에서 XX라인, XX'라인 및 XX"라인은 차량의 제동시 차량의 속도가 모두 동일하다.

XX라인은 차량의 최초 운행전의 제동거리의 설계값에 따른 제동압력과 제동거리의 관계를 나타낸다. 차량을 지속적으로 운행하면, 차량의 노후화에 따라 제동거리가 길어질 수 있다.

차량의 운행에 따라, 차량의 제동압력과 제동거리의 관계는 XX라인에서 XX'라인으로 시프트될 수 있다. 이때, 차량의 제동압력과 제동거리의 관계는 XX라인에서 XX'라인으로 평행이동할 수 있다. 즉, 차량을 지속적으로 운행하면, 동일한 제동압력에서 제동거리는 증가할 수 있고, 동일한 제동거리를 가지려면 제동압력이 증가할 수 있다.

예를 들어, 제동압력이 B인 경우 최초제동거리는 A이지만, 차량의 일정기간 운행후의 현재제동거리는 A'로 증가할 수 있다. 한편, 제동거리가 A인 경우, 요구되는 최초제동압력은 B이지만, 차량의 일정기간 운행후 제동거리 A를 가지도록 요구되는 현재제동압력은 B'로 증가할 수 있다.

한편 도 3에서, XX"라인은 사고의 위험을 줄일 수 있는 제동압력과 제동거리의 관계를 나타낸다. 예를 들어, 제동압력이 B인 경우 제동거리는 적어도 A"이하가 되어야 차량운행의 안전상 적절하다. XX"라인에 해당하는 수치는 설정된 값일 수 있다.

도 4는 일 실시예에 따른 차량에 사용되는 브레이크 제어시스템을 나타낸 도면이다. 브레이크 제어시스템은 브레이크 패드(100), 측정장치(200) 및 제어부(300)를 포함할 수 있다.

브레이크 패드(100)는 상기 차량에 구비되는 브레이크 디스크를 가압하여 상기 차량을 제동할 수 있다. 브레이크 패드(100)는 제어부(300)에 의해 그 동작이 제어될 수 있다.

측정장치(200)는 상기 차량의 속도, 상기 브레이크 패드(100)의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 제동시 상기 브레이크 패드(100)가 상기 브레이크 디스크에 가하는 제동압력을 측정할 수 있다. 이를 위해, 측정장치(200)는 각종 센서, 하부측정수단을 구비할 수 있다.

예를 들어, 차량의 속도를 측정하기 위한 속도계, 브레이크 패드(100)의 마모도를 측정하기 위한 브레이크 패드(100) 센서, 차량의 주행거리를 측정하는 차량용 거리적산계(distance totalizer), 차량의 제동거리 측정수단, 차량의 제동압력 측정수단 등이 측정장치(200)에 구비될 수 있다.

제어부(300)는 상기 측정장치(200)와 연결되고, 상기 브레이크 패드(100)의 동작을 제어할 수 있다. 제어부(300)는 측정장치(200)로부터 측정된 각종의 데이터를 받을 수 있다.

제어부(300)는 브레이크 패드(100)가 브레이크 디스크에 가하는 제동압력을 제어할 수 있다. 즉, 차량의 일정기간 운행 후 제동거리가 증가하므로, 이를 감안하여 제어부(300)는 상기 제동압력을 증가시키도록 브레이크 패드(100)의 동작을 제어할 수 있다.

제어부(300)는, 상기 차량의 최초 운행전의 제동거리의 설계값인 최초제동거리와 상기 차량의 일정기간 운행 후의 제동거리인 현재제동거리를 서로 비교할 수 있다.

제어부(300)는, 상기 현재제동거리와 상기 최초제동거리의 차이값인 제동거리 증가량이 설정된 범위를 벗어나는 경우에, 상기 제동거리 증가량에 대응하여 상기 브레이크 패드(100)의 제동압력을 증가시킬 수 있다.

도 3을 참조하면, 제동압력이 B일때 최초제동거리는 A이다. 상기 차량의 일정기간 운행 후 제동거리 즉, 현재제동거리는 A'로 최초제동거리보다 증가하였다. 이때, 제동거리 증가량은 A'-A가 된다.

제동압력이 B일때 제동거리 증가량의 설정된 범위는 A"-A이다. 따라서, 차량의 제동거리 증가량은 설정된 범위보다 A'-A"가 더 증가한 상태이다. 이러한 경우에, 제어부(300)는 제동거리를 줄이기 위해 브레이크 패드(100)의 제동압력을 증가시키도록 상기 브레이크 패드(100)를 제어할 수 있다.

제동압력 증가량은, 상기 차량의 속도가 다른 조건에서 상기 제동거리 증가량이 설정된 범위를 충족하도록 인공지능(Artificial Intelligence, AI) 모델에 따라 학습된 것일 수 있다.

이때, 제동압력 증가량은 각각의 차량속도 조건에서의 값일 수 있다. 즉, 제동압력 증가량은 차량의 제동시 차량의 속도에 따라 달라질 수 있다. 도 3을 참조하여 전술한 내용은 차량의 제동시 차량의 속도가 동일한 경우를 예를 들어 설명하였다.

차량의 제동시 차량의 속도에 따라 제동압력에 대한 제동거리의 비율 즉, 도 3의 직선의 기울기가 달라지므로, 이에 따라 제동거리 증가량, 필요한 제동압력 증가량도 차량의 제동시 차량의 속도에 따라 달라질 수 있다.

전술한 바와 같이, 실시예에서는 인공지능 모델 학습을 통해 브레이크 패드(100)의 제동압력 증가량을 도출하므로, 이하에서 인공지능 모델에 대해 설명한다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

제어부(300)는, 상기 브레이크 패드(100)의 상기 제동압력 증가량을 도출하는 프로세서(400)와 연결될 수 있다. 프로세서(400)는, 인공지능 모델에 따라 학습을 수행하되, 적어도 하나의 입력인자를 입력받아 상기 제동압력 증가량을 도출할 수 있다.

프로세스는 인공지능 신경망을 구비하고, 입력인자를 입력받아 이를 기반으로 인공지능 모델을 학습하여 브레이크 패드(100)의 제동압력 증가량을 도출할 수 있다.

이때, 상기 입력인자는, 상기 차량의 속도, 상기 브레이크 패드(100)의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드(100)의 제동압력 중 적어도 하나일 수 있다. 이외에도, 상기 브레이크 패드(100)의 제동압력 증가량의 도출에 영향을 주는 요소들은 추가적으로 상기 입력인자가 될 수 있다. 상기 차량의 속도는 구체적으로 차량의 제동시 차량의 속도일 수 있다.

이때, 상기 입력인자들의 값은 시간에 따라 미세하게 변화할 수 있으므로, 단위시간에 대한 평균값을 상기 입력인자들의 값으로 하는 것이 적절할 수 있다. 따라서, 본 명세서에서는 상기 입력인자들은 단위시간에 대한 평균값을 의미할 수 있다.

한편, 브레이크 제어시스템은 서버와 통신을 위한 통신부를 더 포함하고, 제어부(300)는 통신부를 통해 서버와 통신할 수 있다. 통신부를 포함하는 브레이크 제어시스템은 차량에 구비될 수 있다.

서버는 인공지능 모델을 저장할 수 있고, 인공지능 모델의 학습에 필요한 데이터도 저장할 수 있다. 또한, 서버는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 할 수 있다.

통신부는 이동통신 모듈 및 무선 인터넷 모듈 중에서 적어도 하나를 포함하도록 구성될 수 있다. 그 밖에 통신부는 근거리 통신 모듈을 추가로 포함할 수 있다.

이동통신 모듈은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced), 5G 이동통신 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 차량에 구비될 수 있다. 무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

차량은 5G 네트워크를 통해 서버, 각종의 통신가능한 단말과 데이터를 전송하고 수신할 수 있다. 특히 차량은 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 서버, 단말과 데이터 통신을 할 수 있다.

eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.

URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.

mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.

상기 프로세서(400)는 상기 서버에 구비될 수 있다. 서버는 테스트차량으로부터 상기 입력인자에 관한 데이터를 전송받고, 프로세서(400)는 전송받은 데이터를 기반으로 인공지능 모델 학습을 진행하여 요구되는 제동압력 증가량을 도출할 수 있다.

테스트차량은 입력인자 즉, 차량의 속도, 브레이크 패드(100)의 마모도, 차량의 주행거리, 차량의 제동거리, 브레이크 패드(100)의 제동압력 등에 관한 데이터를 산출할 수 있는 차량을 의미할 수 있다. 테스트차량은 인공지능 모델 학습을 위한 테스트를 위해 마련된 차랑 또는 실제 운행되는 차량일 수 있다.

제어부(300)는 상기 제동압력 증가량에 관한 정보를 상기 서버로부터 전송받을 수 있다. 제어부(300)는, 프로세서(400)가 인공지능 모델 학습을 하여 도출한, 각각의 조건에 대한 제동압력 증가량에 관한 정보를 상기 서버로부터 전송받을 수 있다. 또한, 제어부(300)는, 브레이크 패드(100)가 전송받은 정보에 기반하여 차량의 운행조건에 맞는 제동압력 증가량을 가지도록, 상기 브레이크 패드(100)를 제어할 수 있다.

일 실시예로, 상기 제동압력 증가량은, 상기 제동거리 증가량을 0으로 하는 값일 수 있다. 즉, 현재제동거리가 다시 최초제동거리와 동일하게 되는 값을 제동압력 증가량으로 할 수 있다.

도 5는 일 실시예에 따른 차량의 제동압력과 제동거리의 관계를 설명하기 위한 그래프이다.

도 5를 참조하면, 제동압력이 B인 경우, 차량의 운행전 최초제동거리는 A이고 차량의 일정기간 운행후 현재제동거리는 A'로 증가하였다. 상기 제동압력 증가량은 제동거리 증가량 A'-A를 0으로 하는 값인 B'-B일 수 있다.

다른 실시예로, 상기 제동압력 증가량은, 상기 제동거리 증가량을 양의 설정값으로 하는 값일 수 있다. 도 5를 참조하면, 제동압력 증가량을 B'-B로 하면 제동압력 증가량이 과도할 수 있고, 브레이크 패드(100)는 B'의 제동압력을 브레이크 디스크에 가해야 한다.

따라서, 제동압력 증가량을 B'-B로 하면 과도한 제동압력이 브레이크 패드(100)와 브레이크 디스크에 가해지므로, 브레이크 패드(100)의 마모를 촉진하고, 브레이크 패드(100)를 포함하는 브레이크 장치 전체의 수명을 단축시킬 수 있고, 따라서 차량운행 중 사고발생 위험을 증가시킬 수 있다.

이러한 이유로, 제동압력 증가량은 제동거리 증가량을 0으로 하는 값보다 큰 값으로 설정될 수 있다. 제동압력 증가량의 설정값은 사고의 위험을 줄일 수 있는지, 차량운행의 안전상 적절한지 여부를 고려하여 설정할 수 있다.

도 5를 참조하면, 예를 들어, 제동압력 증가량의 설정값은 B1-B일 수 있다. 제동압력이 B인 경우, 차량의 운행전 최초제동거리는 A이고 차량의 일정기간 운행후 현재제동거리는 A'로 증가하였다.

이때, 상기 제동압력 증가량의 설정값이 B1-B이므로, 브레이크 패드(100)의 제동압력은 B1이 되고, 제동거리는 A1이 되고, 제동거리 증가량은 A1-A가 된다.

제동거리 증가량의 설정값은, 상기 차량의 속도가 다른 조건에서 각각 다르게 설정될 수 있다. 제동시 차량의 속도가 빠른 경우에는, 속도가 느린 경우와 비교하여, 제동거리 증가량의 설정값을 작게할 필요가 있다.

제동시 차량의 속도가 빠른 경우에 브레이크 패드(100)가 제동을 위해 큰 제동압력을 브레이크 디스크에 가하므로, 브레이크 패드(100)의 마모를 줄이고, 전체 브레이크 장치의 수명을 연장시키기 위함이다.

도 6는 일 실시예에 따른 인공지능 신경망을 설명하기 위한 도면이다. 인공지능 신경망은 프로세서(400)에 구비되고, 프로세서(400)는 인공지능 신경망을 통해 인공지능 모델을 학습할 수 있다.

도 6에서 제동압력 증가량은, 인공지능 모델에 따른 학습모드 중, 상기 차량의 속도, 상기 브레이크 패드(100)의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드(100)의 제동압력 중 적어도 하나가 다른 조건에서 도출될 수 있다. 각각의 조건이 다르면 도출되는 제동압력 증가량도 달라질 수 있다.

이때, 제동압력 증가량은, 전술한 바와 같이, 상기 제동거리 증가량을 0 또는 양의 설정값으로 하는 값일 수 있다. 프로세서(400)는 학습에 의해 각각의 조건에서 상기 제동압력 증가량을 도출할 수 있다.

이러한 인공지능 모델 학습은 입력인자가 입력되는 입력 레이어, 최소출력을 도출하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에 있는 복수의 히든 레이어로 구성되는 인공지능 신경망에서 진행될 수 있다.

프로세서(400)는, 입력인자를 입력받고, 이를 기반으로 인공지능 모델 학습을 진행하여 브레이크 패드(100)에 요구되는 상기 제동압력 증가량을 도출할 수 있다.

상기 입력인자는, 전술한 바와 같이, 상기 차량의 속도, 상기 브레이크 패드(100)의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드(100)의 제동압력 중 적어도 하나일 수 있다. 이외에도, 상기 브레이크 패드(100)의 제동압력 증가량의 도출에 영향을 주는 요소들은 추가적으로 상기 입력인자가 될 수 있다.

서로 다른 조건을 가진 입력인자가 인공 신경망에 입력되면, 프로세서(400)는 인공지능 모델을 학습하여 그 조건에 해당하는 브레이크 패드(100)의 제동압력 증가량을 도출할 수 있다.

프로세서(400)는 상기 제동압력 증가량을 도출하기 위해 학습모드를 진행할 수 있다. 학습모드에서 서로 다른 조건을 가진 입력인자가 프로세서(400)의 인공 신경망에 입력되면, 프로세서(400)는 입력인자를 기반으로 인공지능 모델 학습을 진행할 수 있다.

도 5를 참조하면, 제동거리 증가량을 0으로 하는 값을 상기 제동압력 증가량으로 하는 경우, 예를 들어, 프로세서(400)는, 인공지능 모델 학습을 통해, 제어부(300)로부터 입력받은 입력인자로부터 제동압력의 변화에 따른 제동거리의 변화경향을 파악하고, 이로부터 제동거리가 최초제동거리 A와 동일하게 되는 제동압력 B'를 파악하고, 제동압력 B'로부터 요구되는 제동압력 증가량 B'-B를 도출할 수 있다.

제동거리 증가량을 0으로 하는 값을 상기 제동압력 증가량으로 하는 경우, 예를 들어, 프로세서(400)는, 인공지능 모델 학습을 통해, 제어부(300)로부터 입력받은 입력인자로부터 주행거리의 변화에 따른 제동거리의 변화경향을 파악할 수 있다. 또한, 프로세서(400)는, 인공지능 모델 학습을 통해, 주행거리의 변화에 따른 제동압력의 변화경항을 파악할 수 있다.

프로세서(400)는 파악된 제동거리의 변화경향과 제동압력의 변화경향으로부터 제동압력의 변화에 따른 제동거리의 변화경향을 파악하고, 이로부터 제동거리가 최초제동거리 A와 동일하게 되는 제동압력 B'를 파악하고, 제동압력 B'로부터 요구되는 제동압력 증가량 B'-B를 도출할 수 있다.

제동거리 증가량을 양의 설정값으로 하는 값을 상기 제동압력 증가량으로 하는 경우, 예를 들어, 프로세서(400)는, 인공지능 모델 학습을 통해, 제어부(300)로부터 입력받은 입력인자로부터 제동압력의 변화에 따른 제동거리의 변화경향을 파악하고, 이로부터 제동거리가 A1이 되는 제동압력 B1를 파악하고, 제동압력 B1로부터 요구되는 제동압력 증가량 B1-B를 도출할 수 있다.

제동거리 증가량을 양의 설정값으로 하는 값을 상기 제동압력 증가량으로 하는 경우, 예를 들어, 프로세서(400)는, 인공지능 모델 학습을 통해, 제어부(300)로부터 입력받은 입력인자로부터 주행거리의 변화에 따른 제동거리의 변화경향을 파악할 수 있다. 또한, 프로세서(400)는, 인공지능 모델 학습을 통해, 주행거리의 변화에 따른 제동압력의 변화경항을 파악할 수 있다.

프로세서(400)는 파악된 제동거리의 변화경향과 제동압력의 변화경향으로부터 제동압력의 변화에 따른 제동거리의 변화경향을 파악하고, 이로부터 제동거리가 A1이 되는 제동압력 B1를 파악하고, 제동압력 B1로부터 요구되는 제동압력 증가량 B1-B를 도출할 수 있다.

전술한 방식으로 프로세서(400)는 인공지능 모델 학습을 진행할 수 있고, 설명하지 않은 나머지 입력인자에 대해서도 유사한 방식으로 학습을 진행하여 요구되는 제동압력 증가량을 도출할 수 있다.

상기 제동압력 증가량은 입력인자가 서로 다른 조건에서 서로 다른 값이 될 수 있다. 따라서, 제동압력 증가량은 입력인자 중 적어도 하나가 다른 각각의 조건에서, 프로세서(400)가 학습하여 도출한 것일 수 있다.

입력인자 즉, 상기 차량의 속도, 상기 브레이크 패드(100)의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드(100)의 제동압력 중 적어도 하나가 다르면, 제동압력 증가량은 각각의 조건에서 학습에 의해 도출될 수 있다. 상기 프로세서(400)는 학습에 의해 각각의 조건에서 제동압력 증가량을 도출할 수 있다.

예를 들어, 인공지능 학습모델로 RNN을 이용하는 경우, 서로 다른 조건의 입력인자가 서로 다른 시간에 순차적으로 인공 신경망에 입력되고, 히든 레이어에서 입력인자들의 조합, 연산을 진행하여, 입력인자들이 서로 다른 각각의 조건에서 요구되는 제동압력 증가량이 도출될 수 있다.

다시 도 4를 참조하면, 브레이크 제어시스템은 상기 제동압력 증가량에 관한 정보를 저장하는 메모리부(500)를 더 포함할 수 있다. 상기 제동압력 증가량은 프로세서(400)(700)를 통해 입력인자들이 서로 다른 조건에서 학습된 값이다. 즉, 프로세서(400)에서 도출된 제동압력 증가량이 메모리부(500)에 저장될 수 있다.

제어부(300)는 상기 메모리부(500)에 저장된 상기 제동압력 증가량에 관한 정보에 기반하여 상기 제동압력 증가량을 선택할 수 있다. 메모리부(500)에는 입력인자들이 서로 다른 조건에서 각각의 제동압력 증가량의 값이 저장되어 있다. 따라서, 제어부(300)는 메모리에 저장된 정보를 이용하여, 차량의 현재의 운행조건과 동일한 입력인자들에 대응하는 제동압력 증가량을 선택하여, 모터(400)가 선택된 최소출력을 가지도록 제어할 수 있다.

실시예에서, 프로세서(400)는 인공지능 모델을 수시로 학습할 수 있고, 학습결과에 따라 달라진 입력인자 및 제동압력 증가량에 관한 정보는 상기 메모리부(500)에 업데이트될 수 있다.

도 7은 일 실시예에 따른 차량에 사용되는 브레이크 제어시스템 작동방법을 설명하기 위한 순서도이다. 전술한 바와 같이, 상기 브레이크 제어시스템은 상기 브레이크 패드(100)의 동작을 제어하는 제어부(300)를 포함할 수 있다.

제어부(300)는 차량의 제동거리가 설정된 범위 내인지 판단할 수 있다(S110). 제어부(300)는 측정장치(200)로부터 입력되는 제동시 차량의 속도, 제동압력 및 제동거리로부터 차량의 제동거리가 설정된 범위 내인지 판단할 수 있다.

전술한 바와 같이, 도 3에서는 제동시 차량의 속도가 동일한 상태에서 제동압력과 제동거리의 관계를 나타낸다. 도 3에서 XX라인은 차량의 최초 운행전의 제동거리의 설계값에 따른 관계를, XX'라인은 차량을 일정기간 운행한 후의 관계를 나타낸다. XX"라인은 사고의 위험을 줄일 수 있는 제동압력과 제동거리의 관계를 나타내고, 제동거리의 설정된 범위일 수 있다.

S110 단계에서, 예를 들어 제동압력 B에서 제동거리가 A"를 초과하였다면, 제어부(300)는 차량의 제동거리가 설정된 범위를 넘은 것으로 판단할 수 있다.

차량의 제동거리가 설정된 범위를 벗어나는 경우, 제어부(300)는 제동거리에 관한 정보를 메모리부(500)에 저장할 수 있다(S120). 도 3을 참조하면, 제어부(300)는 제동압력이 B인 경우 현재제동거리 A'를 저장할 수 있다.

제어부(300)는 저장된 제동거리에 관한 정보로부터 제동거리 증가량을 계산할 수 있다(S130). 도 3을 참조하면, 제동압력이 B인 경우 제동거리 증가량은 A'-A가 된다.

제어부(300)는 브레이크 패드(100)를 작동시켜 차량을 제동할 수 있다. 이때 제어부(300)는, 제동압력에 상기 제동거리 증가량에 대응하는 제동압력 증가량을 추가하여 상기 차량을 제동할 수 있다(S140).

상기 제동압력 증가량은 상기 차량의 속도가 다른 조건에서 상기 제동거리 증가량이 설정된 범위를 충족하도록 인공지능(Artificial Intelligence) 모델에 따라 학습된, 각각의 차량속도 조건에서의 값일 수 있다.

제어부(300)는 상기 브레이크 패드(100)의 상기 제동압력 증가량을 도출하는 프로세서(400)와 연결되고, 프로세서(400)는 통신부에 의해 브레이크 제어시스템과 통신하는 서버에 구비될 수 있다. 프로세서(400)는, 인공지능 모델에 따라 학습을 수행하되, 적어도 하나의 입력인자를 입력받아 상기 제동압력 증가량을 도출할 수 있다.

입력인자는, 상기 차량의 속도, 상기 브레이크 패드(100)의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리, 상기 브레이크 패드(100)의 제동압력, 기타 브레이크 패드(100)의 제동압력 증가량의 도출에 영향을 주는 요소들일 수 있다.

제동압력 증가량은, 인공지능 모델에 따른 학습모드 중, 상기 차량의 속도, 상기 브레이크 패드(100)의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드(100)의 제동압력 중 적어도 하나가 다른 조건에서 상기 제동거리 증가량을 0 또는 양의 설정값으로 하는 값일 수 있다.

제동압력 증가량은 서버에 구비된 프로세서(400)에서 입력인자를 입력받아 인공지능 모델 학습으로 도출되고, 도출된 제동압력 증가량은 서버로부터 제어부(300)로 전송되어 메모리부(500)에 저장될 수 있다.

제어부(300)는 메모리부(500)에 저장된 각각의 운행조건에 대한 제동압력 증가량에 관한 값들 중 현재의 운행조건에 대응하는 값을 선택하여 제동압력을 증가시킬 수 있다.

도 5를 참조하면, 제동압력이 B인 경우, 최초제동거리는 A이고, 현재제동거리는 A'이다. 제동거리 증가량이 0이되는, 즉, 차량의 현재제동거리가 최초제동거리와 동일하도록 하려면, 제어부(300)는 제동압력을 B에서 인공지능 모델 학습으로 도출된 제동압력 증가량 B'-B를 추가한 값인 B'로 변경하여 차량을 제동한다.

도 5를 참조하면, 제동거리 증가량을 양의 설정값 A1-A로 하는 경우, 제어부(300)는 제동압력을 B에서 인공지능 모델 학습으로 도출된 제동압력 증가량 B1-B를 추가한 값인 B1으로 변경하여 차량을 제동한다.

다시 도 7을 참조하면, 브레이크 제어시스템 작동방법에서, 상기 차량의 제동거리가 설정된 범위 내인 경우, 제어부(300)는 제동거리에 관한 정보를 메모리부(500)에 저장할 수 있다(S150).

S150 단계에서 저장된 제동거리에 관한 정보는 제동거리가 설정된 범위 내에 있는 데이터이다. 이때, 제동거리는 차량의 운행기간이 증가하면서 점차 증가할 수 있다.

이때 제어부(300)는 저장된 상기 제동거리에 관한 정보로부터 상기 차량의 제동거리가 설정된 범위에 도달하는 시점을 판단할 수 있다.

도 3을 참조하면, 제동압력이 B인 경우, 최초제동거리는 A이고, 차량의 운행기간이 증가하면 제동거리는 점차 증가하여 설정된 범위의 최대값인 A"에 도달할 수 있다. 제어부(300)는 시간의 경과에 따라 순차적으로 저장된 제동거리에 관한 정보로부터 제동거리가 A"에 도달하는 시점을 판단할 수 있다.

제어부(300)는 제동거리가 설정된 범위에 도달하는 시점에서의 데이터, 예를 들어, 상기 시점에서의 브레이크 패드(100)의 마모도, 차량의 주행거리 등을 측정하여 저장할 수 있다. 저장된 상기 데이터는 제동압력 증가량 도출을 위한 인공지능 모델 학습에서 입력인자로 사용될 수 있다.

실시예에서, 차량의 운행기간의 증가로 인해 제동거리가 증가하는 경우, 브레이크 패드(100)의 제동압력을 증가시켜 제동거리를 감소시킴로써, 제동거리 증가로 인한 사고발생을 억제할 수 있다.

이상 설명된 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

실시예와 관련하여 전술한 바와 같이 몇 가지만을 기술하였지만, 이외에도 다양한 형태의 실시가 가능하다. 앞서 설명한 실시예들의 기술적 내용들은 서로 양립할 수 없는 기술이 아닌 이상은 다양한 형태로 조합될 수 있으며, 이를 통해 새로운 실시형태로 구현될 수도 있다.

100: 브레이크 패드
200: 측정장치
300: 제어부
400: 프로세서
500: 메모리부

Claims

차량에 사용되는 브레이크 제어시스템으로서,
상기 차량에 구비되는 브레이크 디스크를 가압하여 상기 차량을 제동하는 브레이크 패드;
상기 차량의 속도, 상기 브레이크 패드의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 제동시 상기 브레이크 패드가 상기 브레이크 디스크에 가하는 제동압력을 측정하는 측정장치; 및
상기 측정장치와 연결되고, 상기 브레이크 패드의 동작을 제어하는 제어부
를 포함하고,
상기 제어부는,
상기 차량의 최초 운행전의 제동거리의 설계값인 최초제동거리와 상기 차량의 일정기간 운행 후의 제동거리인 현재제동거리를 서로 비교하고,
상기 현재제동거리와 상기 최초제동거리의 차이값인 제동거리 증가량이 설정된 범위를 벗어나는 경우에, 상기 제동거리 증가량에 대응하여 상기 브레이크 패드의 제동압력을 증가시키고,
제동압력 증가량은,
상기 차량의 속도가 다른 조건에서 상기 제동거리 증가량이 설정된 범위를 충족하도록 인공지능(Artificial Intelligence) 모델에 따라 학습된, 각각의 차량속도 조건에서의 값인,
브레이크 제어시스템.
제1항에 있어서,
상기 제어부는,
상기 브레이크 패드의 상기 제동압력 증가량을 도출하는 프로세서와 연결되고,
상기 프로세서는,
인공지능 모델에 따라 학습을 수행하되,
적어도 하나의 입력인자를 입력받아 상기 제동압력 증가량을 도출하는, 브레이크 제어시스템.
제2항에 있어서,
상기 입력인자는,
상기 차량의 속도, 상기 브레이크 패드의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드의 제동압력 중 적어도 하나인, 브레이크 제어시스템.
제3항에 있어서,
상기 제동압력 증가량은,
인공지능 모델에 따른 학습모드 중, 상기 차량의 속도, 상기 브레이크 패드의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드의 제동압력 중 적어도 하나가 다른 조건에서 상기 제동거리 증가량을 0 또는 양의 설정값으로 하는 값인, 브레이크 제어시스템.
제2항에 있어서,
상기 브레이크 제어시스템은 서버와 통신을 위한 통신부를 더 포함하고,
상기 프로세서는 상기 서버에 구비되는, 브레이크 제어시스템.
제5항에 있어서,
상기 제어부는,
상기 제동압력 증가량에 관한 정보를 상기 서버로부터 전송받는, 브레이크 제어시스템.
제2항에 있어서,
상기 브레이크 제어시스템은 상기 제동압력 증가량에 관한 정보를 저장하는 메모리부를 더 포함하고,
상기 제어부는 상기 메모리부에 저장된 상기 제동압력 증가량에 관한 정보에 기반하여 상기 제동압력 증가량을 선택하는, 브레이크 제어시스템.
제1항에 있어서,
상기 제동압력 증가량은,
상기 제동거리 증가량을 0으로 하는 값인, 브레이크 제어시스템.
제1항에 있어서,
상기 제동압력 증가량은,
상기 제동거리 증가량을 양의 설정값으로 하는 값인, 브레이크 제어시스템.
제9항에 있어서,
상기 제동거리 증가량의 설정값은,
상기 차량의 속도가 다른 조건에서 각각 다르게 설정되는, 브레이크 제어시스템.
차량에 사용되는 브레이크 제어시스템 작동방법으로서,
상기 차량의 제동거리가 설정된 범위 내인지 판단하는 단계;
상기 차량의 제동거리가 설정된 범위를 벗어나는 경우, 제동거리에 관한 정보를 저장하는 단계;
저장된 제동거리에 관한 정보로부터 제동거리 증가량을 계산하는 단계; 및
제동압력에 상기 제동거리 증가량에 대응하는 제동압력 증가량을 추가하여 상기 차량을 제동하는 단계
를 포함하고,
상기 제동압력 증가량은,
상기 차량의 속도가 다른 조건에서 상기 제동거리 증가량이 설정된 범위를 충족하도록 인공지능(Artificial Intelligence) 모델에 따라 학습된, 각각의 차량속도 조건에서의 값인,
브레이크 제어시스템 작동방법.
제11항에 있어서,
상기 브레이크 제어시스템은 상기 브레이크 패드의 동작을 제어하는 제어부를 포함하고,
상기 제어부는 상기 브레이크 패드의 상기 제동압력 증가량을 도출하는 프로세서와 연결되고,
상기 프로세서는,
인공지능 모델에 따라 학습을 수행하되,
적어도 하나의 입력인자를 입력받아 상기 제동압력 증가량을 도출하는, 브레이크 제어시스템 작동방법.
제12항에 있어서,
상기 입력인자는,
상기 차량의 속도, 상기 브레이크 패드의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드의 제동압력 중 적어도 하나인, 브레이크 제어시스템 작동방법.
제13항에 있어서,
상기 제동압력 증가량은,
인공지능 모델에 따른 학습모드 중, 상기 차량의 속도, 상기 브레이크 패드의 마모도, 상기 차량의 주행거리, 상기 차량의 제동거리 및 상기 브레이크 패드의 제동압력 중 적어도 하나가 다른 조건에서 상기 제동거리 증가량을 0 또는 양의 설정값으로 하는 값인, 브레이크 제어시스템 작동방법.
제12항에 있어서,
상기 차량의 제동거리가 설정된 범위 내인 경우, 제동거리에 관한 정보를 저장하는 단계를 더 포함하는, 브레이크 제어시스템 작동방법.
제15항에 있어서,
상기 제어부는,
저장된 상기 제동거리에 관한 정보로부터 상기 차량의 제동거리가 설정된 범위에 도달하는 시점을 판단하는, 브레이크 제어시스템 작동방법.
컴퓨터를 이용하여 제11항의 방법을 실행시키기 위하여 상기 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.