KR20190097486A

KR20190097486A - 운전 성향 추정이 가능한 자동차, 운전 성향 추정 방법 및 시스템

Info

Publication number: KR20190097486A
Application number: KR1020180016974A
Authority: KR
Inventors: 배현섭; 최경화; 오승욱
Original assignee: 슈어소프트테크주식회사
Priority date: 2018-02-12
Filing date: 2018-02-12
Publication date: 2019-08-21

Abstract

본 발명은 자동차, 운전 성향 추정 방법 및 시스템에 관한 것으로, 더욱 상세하게는 센싱 데이터를 입력으로 하는 학습 모델을 기계 학습시켜 자동차를 운전하는 운전하는 운전자의 운전 성향을 추정하는 자동차, 운전 성향 추정 방법 및 시스템에 관한 것이다.
실시 형태에 따른 자동차는, 센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부; 및 상기 센싱 데이터 출력부로부터 제공되는 상기 센싱 데이터에 기초하여 운전 성향을 추정하고 상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는, 운전 성향 추정부;를 포함한다.

Description

운전 성향 추정이 가능한 자동차, 운전 성향 추정 방법 및 시스템 {AUTOMOBILE CAPABLE ESTIMATING DRIVING INCLINATION, METHOD AND SYSTEM FOR ESTIMATING DRIVING INCLINATION}

본 발명은 자동차, 운전 성향 추정 방법 및 시스템에 관한 것으로, 더욱 상세하게는 센싱 데이터를 입력으로 하는 학습 모델을 기계 학습시켜 자동차를 운전하는 운전하는 운전자의 운전 성향을 추정하는 자동차, 운전 성향 추정 방법 및 시스템에 관한 것이다.

자동차는 운전자의 조작에 그대로 반응하여 수동적으로 운행하는 것이 일반적이다.

최근 자동차의 주행 모드를 변경할 수 있는 자동차가 종종 있다. 예를 들어, 연비 절약을 위한 에코 주행 모드, 일반적인 성능을 내는 노말 주행 모드, 스포틱한 성능을 내는 드라이빙 주행 모드가 그것이다.

그런데, 이러한 주행 모드 변경 기능을 갖는 자동차의 주행 모드를 변경하기 위해서는, 운전자가 일일이 수동으로 자신 원하는 주행 모드를 선택해야만 하는 불편이 있다.

현재 사용자의 주행 모드 선택없이 자동차 스스로가 운전자의 운전 성향을 파악하는 기술이 전무한 실정이다.

본 발명이 해결하고자 하는 과제는, 운전자의 운전 성향을 능동적으로 추정할 수 있는 자동차, 방법 및 시스템을 제공한다.

또한, 추정된 운전 성향에 따라 자동차에 구비된 엑추에이터를 능동적으로 조정할 수 있는 자동차, 방법 및 시스템을 제공한다.

실시 형태에 따른 자동차는, 센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부; 및 상기 센싱 데이터 출력부로부터 제공되는 상기 센싱 데이터에 기초하여 운전 성향을 추정하고 상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는, 운전 성향 추정부;를 포함한다.

다른 실시 형태에 따른 자동차는, 소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부; 하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부; 상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖고, 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습부; 및 상기 생성된 갱신 데이터에 기초하여 상기 운전 성향 추정부의 상기 소정의 변수를 갱신하는 갱신부;를 포함한다.

실시 형태에 따른 자동차, 방법 및 시스템에 의하면, 운전자의 운전 성향을 능동적으로 추정할 수 있는 이점이 있다.

또한, 추정된 운전 성향에 따라 자동차에 구비된 엑추에이터를 능동적으로 조정할 수 있는 이점이 있다.

도 1은 본 발명의 실시 형태에 따른 자동차의 블록도이다.
도 2는 신경망의 기본 구조를 도시한다.
도 3은 본 발명의 다른 실시 형태에 따른 자동차의 블록도이다.
도 4는 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.
도 5는 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.
도 6은 본 발명의 실시 형태에 따른 운전 성향 추정 시스템의 블록도이다.
도 7은 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.
도 8은 본 발명의 다른 실시 형태에 따른 운전 성향 추정 시스템의 블록도이다.
도 9는 본 발명의 또 다른 실시 형태에 따른 운전 성향 추정 시스템의 블록도이다.
도 10은 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.
도 11은 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템의 블록도이다.
도 12는 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.
도 13은 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템의 블록도이다.
도 14는 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템의 블록도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시 형태를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 형태는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시 형태는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 형태에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시 형태로 구현될 수 있다.

또한, 각각의 개시된 실시 형태 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

도 1은 본 발명의 실시 형태에 따른 자동차의 블록도이다.

도 1에 도시된 본 발명의 실시 형태에 따른 자동차(100)는 자동차(100)를 운전하는 운전자의 운전 성향을 추정할 수 있다.

구체적으로, 도 1을 참조하면, 본 발명의 실시 형태에 따른 자동차(100)는 센싱 데이터 출력부(110)와 운전 성향 추정부(150)를 포함한다.

센싱 데이터 출력부(110)는 하나 또는 그 이상의 센싱 데이터를 출력한다. 센싱 데이터 출력부(110)는 하나 또는 그 이상의 센싱 데이터를 운전 성향 추정부(150)로 전송할 수 있다.

센싱 데이터 출력부(110)는 자동차에 구비 또는 장착된 자동차 센서일 수도 있다. 자동차 센서는 압력 센서, 가속도 센서, 각속도 센서, 유량 센서, 온도 센서, 흡기압 센서, 조향 센서, 충돌방지 센서, 에어백 센서, 스로틀 포지션 센서(TPS), 에어템프센서(ATS), 액셀페달센서(APS), 차속 센서, G 센서, 자이로 센서, 충돌감지센서, 차고센서, 서스펜션 조절 센서, 에어컨 센서, 레이더 센서, 라이더 센서, 관성측정센서, 위성항법센서, 카메라 센서 등을 포함한다. 여기서, 자동차 센서가 앞서 나열한 것으로 한정되지 않고, 자동차에 구비 또는 장착 가능한 모든 센서를 의미하는 것으로 이해해야 한다.

또한, 센싱 데이터 출력부(110)는 앞서 언급한 하나 또는 그 이상의 자동차 센서로부터 수신된 센싱 데이터(들)를 처리, 분류 또는 가공하여 소정의 센싱 데이터(들)를 출력하는 제어기일 수 있다. 여기서, 제어기는, 예를 들어, ECU(Electronic Control Unit)일 수 있다.

센싱 데이터 출력부(110)는 다수의 센싱 데이터 출력부(110a, 110b, …, 110n)을 포함할 수 있다. 다수의 센싱 데이터 출력부(110a, 110b, …, 110n)는 서로 다른 센싱 데이터를 출력할 수도 있다. 예를 들어, 제1 센싱 데이터 출력부(110a)는 G 센서로서, G 센서에 의해 감지된 데이터를 출력할 수 있고, 제2 센싱 데이터 출력부(110b)는 APS 센서로서 APS 센서로서, APS 센서에 의해 감지된 데이터를 출력할 수 있고, 제n 센싱 데이터 출력부(110n)은 ECU와 같은 제어기일 수 있다. 한편, 다수의 센싱 데이터 출력부(110a, 110b, …, 110n)는 같은 종류의 센싱 데이터를 출력할 수도 있다.

센싱 데이터 출력부(110)는 하나 또는 그 이상의 센싱 데이터를 운전자가 자동차(100)를 운행하는 동안에 출력할 수 있다. 센싱 데이터 출력부(110)는 센싱 데이터를 실시간으로 출력할 수도 있고, 미리 설정된 시간이 지나면 자동으로 출력할 수도 있다.

운전 성향 추정부(150)는 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터에 기초하여 자동차(100)를 운전하는 운전자의 운전 성향을 추정한다.

운전 성향 추정부(150)는 운전자의 운전 성향을 추정하기 위해서, 적어도 하나 이상의 학습 모델(151)을 갖는다.

학습 모델(151)은 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터를 입력으로 하고, 운전자의 운전 성향과 연관된 출력 데이터를 출력하는 인공 신경회로망(이하, '신경망'이라 함.)일 수 있다. 도 2를 참조하여 신경망의 기본 구조를 설명한다.

도 2는 신경망의 기본 구조를 도시한다.

도 2를 참조하면, 신경망의 기본 구조는 입력층(input layer)과 출력층(output layer)을 포함한다. 입력층은 외부로부터 소정의 입력 데이터를 받아들이는 층이고, 출력층은 외부로 소정의 출력 데이터를 내는 층이다.

각각의 입력층과 출력층은 하나 또는 다수의 노드(node)를 포함한다. 입력층의 노드를 입력노드라 하고, 출력층의 노드를 출력노드라 한다. 입력층의 각 입력노드는, 도 2에 도시된 바와 같이, 출력층의 각 출력노드와 완전 연결(fully connected)될 수도 있고, 출력층의 일부 출력노드와 불완전 연결될 수도 있다.

출력층의 출력노드들 중 하나의 출력노드는 자신과 연결된 입력층의 입력노드(들)로부터 입력 데이터를 받아들이되, 소정의 변수(또는 가중치, w)를 곱하여 받아들인다. 그리고 하나의 출력노드는 받아들인 것들을 모두 합(가중합)한 후, 미리 설정된 활성화 함수를 통과시켜 소정의 출력 데이터를 출력한다.

하나의 출력노드는 활성화 함수를 갖는다. 활성화 함수는 계단 함수(step function), 부호 함수(sign function), 선형 함수(linear function), 로지스틱 시그모이드 함수(logistic sigmoid function), 하이퍼탄젠트 함수(hyper tangent function), ReLU 함수, 소프트맥스(softmax) 함수 중 어느 하나일 수 있다. 활성화 함수는 통상의 기술자라면 신경망의 학습 방법에 따라 적절히 결정될 수 있다.

신경망은 변수(w)를 반복적으로 적절한 값으로 갱신(또는 수정)하는 과정으로 기계 학습한다. 신경망이 기계 학습하는 방법에는 대표적으로 지도 학습과 비지도 학습이 있다.

지도 학습은 입력 데이터에 대해 임의의 신경망이 계산해내기를 바라는 목표 출력 데이터가 명확히 정해져 있는 상태에서, 상기 입력 데이터를 상기 신경망에 넣어서 얻은 출력 데이터를 상기 목표 데이터에 비슷해질 수 있도록 변수(w)를 갱신시키는 학습 방법이다. 지도 학습을 수행하는 대표적인 신경망에는 도 2에 도시된 바와 같은 단층 퍼셉트론과 다층 퍼셉트론이 있다. 여기서, 다층 퍼셉트론은 도 2에 도시된 입력층과 출력층 사이에 1개 이상의 은닉층을 더 갖는다. 은닉층은 하나 또는 다수의 은닉노드를 갖는다.

비지도 학습은 입력 데이터에 대해 임의의 신경망이 계산해내기를 바라는 목표 데이터가 정해져 있지 않고, 비슷한 입력 데이터에 대해서 일관된 출력 데이터를 내는 학습 방법이다. 비지도 학습을 수행하는 대표적인 신경망에는 자기조직화특징맵(SOM, Self-organizing feature map)과 볼쯔만머쉰(Boltzmann machine)이 있다.

다시, 도 1을 참조하면, 운전 성향 추정부(150)는 학습 모델(151)을 포함하고, 학습 모델(151)은 신경망을 포함한다.

학습 모델(151)이 도 2에 도시된 신경망일 경우, 센싱 데이터 출력부(110)에서 제공되는 센싱 데이터가 신경망의 입력층으로 입력된다. 여기서, 제공되는 센싱 데이터의 개수는 입력층의 입력노드의 개수와 일대일 대응할 수 있다. 그리고, 출력층의 출력노드 각각은 서로 다른 운전 성향에 연관될 수 있다.

예를 들어, 도 2에 도시된 바와 같이, 입력층의 4개의 입력노드 별로 제1 내지 제4 센싱 데이터가 각각 입력되고, 출력층의 제1 출력노드의 출력 데이터는 제1 운전 성향에 연관된 데이터가 되고, 제2 출력노드의 출력 데이터는 제2 운전 성향에 연관된 데이터가 될 수 있다.

학습 모델(151)은 센싱 데이터 출력부(110)에서 제공되는 하나 또는 그 이상의 센싱 데이터를 이용하여 기계 학습을 수행한다. 기계 학습을 수행한다는 의미는 신경망의 변수를 갱신하는 과정이다.

구체적으로, 학습 모델(151)의 입력층의 입력노드들로 하나 또는 그 이상의 센싱 데이터가 입력되면, 학습 모델(151)은 현재 셋팅된 변수를 이용하여 운전 성향에 대응되는 출력 데이터를 출력하고, 이와 함께, 학습 모델(151)은 출력되는 출력 데이터를 이용하여 현재 셋팅된 변수를 갱신한다. 여기서, 학습 모델(151)이 지도 학습 방법에 따르면, 학습 모델(151)은 출력 데이터가 목표 데이터에 비슷해지도록 현재 셋팅된 변수를 갱신할 수 있다. 한편, 학습 모델(151)이 비지도 학습 방법에 따르면, 학습 모델(151)은 비슷한 센싱 데이터들이 일관된 출력 데이터가 되도록 현재 셋팅된 변수를 갱신할 수 있다.

학습 모델(151)은 도 2에 도시된 신경망을 이용하였으나, 이에 한정되는 것은 아니며 학습 모델(151)의 신경망은 다층 퍼셉트론, 자기조직화특징맵, 볼쯔만머쉰 등 어느 하나로 구현될 수도 있고, 앞서 언급하지 않은 다른 신경망으로도 구현될 수 있다.

학습 모델(151)로 제공되는 하나 또는 그 이상의 센싱 데이터와 학습 모델(151)에서 출력되는 출력 데이터가 다양한 예로 정의될 수 있다. 이하 구체적으로 설명하도록 한다.

<경사로에서의 속도 조절 성향 추정>

예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는 가속도 데이터, 각속도 데이터, 페달 변위 각도 데이터, 밸브 회전 각도 데이터이고, 학습 모델(151)의 출력노드(들)는 경사로에서의 자동차 속도 조절 성향과 연관된 출력 데이터(들)를 낸다.

가속도 데이터는 G 센서에 의해 센싱된 데이터일 수 있고, 각속도 데이터는 자이로 센서에 의해 센싱된 데이터일 수 있고, 페달 변위 각도 데이터는 페달 센서에 의해 센싱된 데이터일 수 있으며, 밸브 회전 각도 데이터는 TPS 센서에서 센싱된 데이터일 수 있다. 이러한 데이터를 얻기 위해서, 센싱 데이터 출력부(110)는 G 센서, 자이로 센서, 페달 센서, TPS 센서를 포함한다.

경사로에서의 자동차 속도 조절 성향은, 예를 들어 내리막에서 급격한 감속 패턴(한번에 브레이크를 밟아서 자동차의 속도를 급격히 줄이는 경향)을 나타내는 제1 운전 성향, 내리막에서 일정한 감속 패턴(계속 브레이크를 밟으며 일정 속도를 유지하는 경향)을 나타내는 제2 운전 성향을 포함할 수 있다. 제1 운전 성향은 제1 출력노드의 출력 데이터와 대응되고, 제2 운전 성향은 제2 출력노드의 출력 데이터와 대응될 수 있다.

한편, 추가적으로, 센싱 데이터는, 페달의 각도 및 속도 데이터, 혹은 엔진의 RPM 데이터, 기어의 단수 데이터 중 하나 이상을 더 포함할 수 있다.

<급가속 또는 급감속에서의 운전 성향 추정>

다른 예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는 페달 변위 각도 데이터, 밸브 회전 각도 데이터이고, 학습 모델(151)의 출력노드(들)는 급가속 또는 급감속 성향 데이터(들)를 출력한다.

페달 변위 각도 데이터는 페달 센서에 의해 센싱된 데이터일 수 있으며, 밸브 회전 각도 데이터는 TPS 센서에 의해 센싱된 데이터일 수 있다. 이러한 센싱 데이터를 얻기 위해서, 센싱 데이터 출력부(110)는 페달 센서, TPS 센서를 포함한다.

급가속 또는 급감속 성향은, 예를 들어 가속 또는 감속시 급격히 속도를 줄이거나 높이는 것을 나타내는 제1 운전 성향, 가속 또는 감속시 서서히 속도를 줄이거나 높이는 것을 나타내는 제2 운전 성향을 포함할 수 있다. 제1 운전 성향은 제1 출력노드의 출력 데이터와 대응되고, 제2 운전 성향은 제2 출력노드의 출력 데이터와 대응될 수 있다.

<과속방지턱에서의 속도 조절 성향 추정>

또 다른 예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는 가속도 데이터, 페달 변위 각도 데이터이고, 학습 모델(151)의 출력노드(들)는 과속방지턱에서의 자동차 속도 조절 성향 데이터(들)를 출력한다.

가속도 데이터는 G 센서에 의해 센싱된 데이터일 수 있고, 페달 변위 각도 데이터는 페달 센서에 의해 센싱된 데이터일 수 있다. 이러한 센싱 데이터를 얻기 위해서, 센싱 데이터 출력부(110)는 G 센서, 페달 센서를 포함한다.

과속방지턱에서의 자동차 속도 조절 성향은, 예를 들어 과속방지턱에서의 방지턱 이전에 감속 패턴을 나타내는 제1 운전 성향, 방지턱에 들어선 이후 감속 패턴을 나타내는 제2 운전 성향을 포함할 수 있다. 제1 운전 성향은 제1 출력노드의 출력 데이터와 대응되고, 제2 운전 성향은 제2 출력노드의 출력 데이터와 대응될 수 있다.

<조향각에 따른 가감속 성향 추정>

또 다른 예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는 속도 데이터, 핸들 회전 속도 데이터, 핸들 회전 각도 데이터, 핸들 회전 방향 데이터이고, 학습 모델(151)의 출력노드(들)는 조향각에 따른 가감속 성향 데이터(들)를 출력한다.

속도 데이터는 속도 센서에 의해 센싱된 데이터일 수 있고, 핸들 회전 속도 데이터, 핸들 회전 각도 데이터, 핸들 회전 방향 데이터는 조향 센서에 의해 센싱된 데이터들일 수 있다. 이러한 센싱 데이터를 얻기 위해서, 센싱 데이터 출력부(110)는 속도 센서, 조향 센서를 포함한다.

조향각에 따른 가감속 성향 데이터(들)는, 예를 들어 코너 진입 및 진출 속도에 따라 구분되는 다수의 운전 성향일 수 있다. 다수의 운전 성향은 각 출력노드의 출력 데이터와 대응될 수 있다.

이와 같이, 도 1에 도시된 실시 형태에 따른 자동차(100)는, 센싱 데이터 출력부(110)로부터 출력되는 하나 또는 그 이상의 센싱 데이터가 운전 성향 추정부(150)의 학습 모델(151)로 제공된다. 학습 모델(151)은 제공되는 센싱 데이터를 입력으로 하여 소정의 출력 데이터를 출력하는데, 출력 데이터는 소정의 운전 성향과 대응된다. 그리고, 학습 모델(151)은 출력 데이터를 기초로 학습 모델(151)의 내부의 변수를 갱신하여 기계 학습을 수행한다.

한편, 도 1에 도시하지 않았지만, 센싱 데이터 출력부(110)와 운전 성향 추정부(150) 사이에 전처리부(미도시)가 배치될 수 있다. 전처리부(미도시)는 운전 성향 추정부(150) 내의 학습 모델(151) 앞단에 배치될 수도 있다.

전처리부(미도시)는 센싱 데이터 출력부(110)에서 제공되는 하나 또는 그 이상의 센싱 데이터를 가공한다. 전처리부(미도시)에서 가공된 하나 또는 그 이상의 센싱 데이터가 운전 성향 추정부(150)로 제공된다. 여기서, 전처리부(미도시)가 하나 또는 그 이상의 센싱 데이터를 가공한다는 것은 센싱 데이터를 정규화하는 것일 수 있다. 정규화는 운전 성향 추정부(150)의 학습 모델(151)의 셀 포화 현상을 줄일 수 있다.

또한, 도 1에 도시하지 않았지만, 자동차(100)는 메모리부(미도시)를 더 포함할 수 있다. 메모리부(미도시)는 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터를 별도로 저장할 수 있다.

도 3은 본 발명의 다른 실시 형태에 따른 자동차의 블록도이다.

도 3에 도시된 본 발명의 다른 실시 형태에 따른 자동차(100')는, 도 1에 도시된 본 발명의 실시 형태에 따른 자동차(100)와 비교하여, 운전 성향 추정부(150')에서 차이가 있고, 센싱 데이터 출력부(110)는 동일하다. 따라서, 이하에서는 운전 성향 추정부(150')에 대해서 구체적으로 설명한다.

운전 성향 추정부(150')는 다수의 학습 모델(151a, 151b)을 포함한다. 다수의 학습 모델(151a, 151b)은 적어도 제1 학습 모델(151a)과 제2 학습 모델(151b)를 포함할 수 있다. 다수의 학습 모델(151a, 151b) 각각은 도 2에 도시된 신경망일 수 있다. 다수의 학습 모델(151a, 151b)은 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터(들)을 기초로 운전자의 운전 성향을 추정하고, 다수의 학습 모델(151a, 151b) 각각은 운전 성향의 추정과 함께 내부에 현재 셋팅된 변수를 갱신한다.

구체적으로, 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터(들)는 제1 학습 모델(151a)로 입력되고, 제1 학습 모델(151a)에서는 소정의 출력 데이터(들)를 출력한다. 제1 학습 모델(151a)에서 출력되는 소정의 출력 데이터(들)는 제2 학습 모델(151b)로 입력되고, 제2 학습 모델(151b)에서는 소정의 출력 데이터(들)를 출력한다. 여기서, 제1 학습 모델(151a)에서 출력되는 출력 데이터(들)를 중간 데이터라고 명명할 수도 있다.

제2 학습 모델(151b)에서 출력하는 출력 데이터(들)는 운전자의 운전 성향과 연관된다. 즉, 제2 학습 모델(151b)에서 출력되는 출력 데이터(들)이 운전자의 운전 성향을 지시하는 값으로 이용될 수 있다.

한편, 센싱 데이터 출력부(110)에서 제공되는 모든 센싱 데이터가 제1 학습 모델(151a)로 입력되지 않을 수도 있다. 다시 말해, 센싱 데이터 출력부(110)에서 제공되는 센싱 데이터 중 일부 센싱 데이터가 제1 학습 모델(151a)로 입력되지 않고, 제2 학습 모델(151b)로 바로 입력될 수 있다. 제2 학습 모델(151b)는 제1 학습 모델(151a)로부터 출력되는 출력 데이터와 센싱 데이터 출력부(110)에서 제공되는 센싱 데이터를 입력 데이터로 이용할 수 있다.

도 3에서는 운전 성향 추정부(150') 내의 학습 모델을 2개 사용하였지만, 학습 모델은 3 이상일 수 있다. 여기서, 3 이상의 학습 모델은 이전 학습 모델의 출력 데이터가 다음 학습 모델의 입력 데이터로 이용될 수도 있고, 센싱 데이터 출력부(110)으로부터 제공되는 센싱 데이터 중 일부의 센싱 데이터가 하나의 학습 모델로 입력되고, 다른 일부의 센싱 데이터가 다른 하나의 학습 모델로 입력되며, 하나의 학습 모델과 다른 하나의 학습 모델에서 출력되는 출력 데이터가 또 다른 학습 모델로 입력될 수도 있다.

도 3에 도시된 본 발명의 다른 실시 형태에 따른 자동차(100')는, 도 1에 도시된 본 발명의 실시 형태에 따른 자동차(100)와 비교하여, 다수의 학습 모델을 이용하여 운전자의 운전 성향을 추정한다. 따라서, 운전 추정 결과가 더 빠르고 신속하게 이뤄질 수도 있고, 각 학습 모델 내의 변수의 최적화가 빠르게 이뤄질 수도 있는 이점이 있다.

한편, 도 3에 도시된 본 발명의 다른 실시 형태에 따른 자동차(100')에서도 앞서 설명한 <경사로에서의 속도 조절 성향 추정>, <급가속 또는 급감속에서의 운전 성향 추정>, <과속방지턱에서의 속도 조절 성향 추정>, <조향각에 따른 가감속 성향 추정>이 적용될 수 있다.

도 4는 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.

도 4에 도시된 본 발명의 또 다른 실시 형태에 따른 자동차(100'')는, 도 1에 도시된 본 발명의 실시 형태에 따른 자동차(100)와 비교하여, 운전 성향 추정부(150'')에서 차이가 있고, 센싱 데이터 출력부(110)는 동일하다. 따라서, 이하에서는 운전 성향 추정부(150'')에 대해서 구체적으로 설명한다.

운전 성향 추정부(150'')는 학습 모델(151)과 피드백부(153)을 포함한다. 학습 모델(151)은 도 1에 도시된 학습 모델(151)과 같은 것으로 구체적인 설명은 생략한다.

피드백부(153)는 학습 모델(151)의 변수의 갱신 여부를 판정하고, 판정 여부에 따라 학습 모델(151)의 변수 갱신을 제어할 수 있다.

피드백부(153)는 학습 모델(151)의 출력 데이터를 수신하고, 수신된 출력 데이터를 기초로 학습 모델(151)의 변수 갱신 여부를 판정한다. 예를 들어, 학습 모델(151)에서 출력되는 출력 데이터가 소정의 운전 성향을 나타내는 경우에, 피드백부(153)는 학습 모델(151)에서 출력되는 출력 데이터가 비정상적인 출력 데이터인지를 판별한다. 만약, 학습 모델(151)에서 출력되는 출력 데이터가 비정상적인 데이터가 아니면, 피드백부(153)는 학습 모델(151)의 변수 갱신을 허용하고, 반대로 비정상적인 데이터이면 피드백부(153)은 학습 모델(151)의 변수 갱신을 불허한다.

이러한 피드백부(153)는 운전자의 운전 성향이 매상황마다 일정한 것이 아니고, 운전 중에는 특수한 상황이 발생할 수 있다는 점을 고려한 것으로, 학습 모델(151)의 기계 학습 시 운전자의 운전 성향을 추정하는데 필요한 데이터만을 이용하여 현재 셋팅된 변수를 갱신할 수 있고, 이에 따라 학습 모델(151)은 더욱 더 실제 운전자의 운전 성향에 맞는 출력 데이터를 신속하고 정확하게 출력할 수 있는 이점이 있다.

한편, 도 4에 도시된 학습 모델(151)은 도 3에 도시된 다수의 학습 모델(151a, 151b)로 대체될 수 있다. 이 경우, 피드백부(153)는 다수의 학습 모델(151a, 151b) 각각의 변수 갱신 여부를 판별하고, 다수의 학습 모델(151a, 151b) 각각의 변수 갱신을 제어할 수 있다.

한편, 도 4에 도시된 본 발명의 다른 실시 형태에 따른 자동차(100'')에서도 앞서 설명한 <경사로에서의 속도 조절 성향 추정>, <급가속 또는 급감속에서의 운전 성향 추정>, <과속방지턱에서의 속도 조절 성향 추정>, <조향각에 따른 가감속 성향 추정>이 적용될 수 있다.

도 5는 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.

도 5에 도시된 본 발명의 또 다른 실시 형태에 따른 자동차(100''')는, 도 1에 도시된 본 발명의 실시 형태에 따른 자동차(100)와 비교하여, 운전 성향 추정부(150''')에서 차이가 있고, 센싱 데이터 출력부(110)는 동일하다. 따라서, 이하에서는 운전 성향 추정부(150''')에 대해서 구체적으로 설명한다.

운전 성향 추정부(150''')는 학습 모델(151)과 운전 성향 판정부(155)를 포함한다. 학습 모델(151)은 도 1에 도시된 학습 모델(151)과 같은 것으로 구체적인 설명은 생략한다.

운전 성향 판정부(155)는 학습 모델(151)에서 출력되는 출력 데이터를 기초로 운전자의 운전 성향을 판단한다. 도 1에 도시된 운전 성향 추정부(150)는 학습 모델(151)에서 출력되는 출력 데이터로 운전자의 운전 성향을 추정하지만, 도 5에 도시된 운전 성향 추정부(150''')는 학습 모델(151)에서 출력되는 출력 데이터(들)을 운전 성향 판정부(155)가 수신하고, 운전 성향 판정부(155)가 제공되는 출력 데이터(들)에 기초하여 운전자의 운전 성향을 판단한다.

운전 성향 판정부(155)는 학습 모델(151)에서 이용되는 신경망이 아닌, 소정의 알고리즘으로 구현될 수 있다.

운전 성향 판정부(155)는 학습 모델(151)에서 출력되는 출력 데이터(들)을 종합하여 운전자의 운전 성향을 판단하기 때문에, 운전 성향 판단의 오류나 불완전성을 도 1에 도시된 운전 성향 추정부(150)보다 더 낮출 수 있는 이점이 있다.

또한, 운전 성향 판정부(155)는 학습 모델(151)에서 출력되는 출력 데이터(들)을 기초로 세분화된 운전 성향을 판정할 수 있다. 예를 들어, 학습 모델(151)은 3개의 출력 데이터를 출력한다고 가정하고, 3개의 출력 데이터는 각각 3 종류(에코 드라이빙 모드, 노말 드라이빙 모드, 스포츠 드라이빙 모드)의 운전 성향에 대응된다고 가정하면, 운전 성향 판정부(155)는 학습 모델(151)에서 출력되는 3개의 출력 데이터를 수신하여, 3개의 출력 데이터 중 가장 큰 데이터 값을 기초로 특정 운전 성향(스포츠 드라이빙 모드)을 1차 판정하고, 가장 큰 데이터 값의 크기나 다른 데이터 값들을 종합하여 1차 판정된 운전 성향(스포츠 드라이빙 모드)을 세분화한 다수 개의 운전 성향(익스트림 스포츠 드라이빙 모드, 노말 스포츠 드라이빙 모드, 이지 스포츠 드라이빙 모드) 중 어느 하나를 2차로 판정할 수 있다.

한편, 도 5에 도시된 학습 모델(151)은 도 3에 도시된 다수의 학습 모델(151a, 151b)로 대체될 수 있다. 이 경우, 운전 성향 판정부(155)는 하나 또는 다수의 학습 모델로부터 소정의 출력 데이터들을 제공받고, 제공된 출력 데이터들을 기초로 운전 성향을 판단할 수 있다.

한편, 도 5에 도시된 본 발명의 다른 실시 형태에 따른 자동차(100''')에서도 앞서 설명한 <경사로에서의 속도 조절 성향 추정>, <급가속 또는 급감속에서의 운전 성향 추정>, <과속방지턱에서의 속도 조절 성향 추정>, <조향각에 따른 가감속 성향 추정>이 적용될 수 있다.

도 6은 본 발명의 실시 형태에 따른 운전 성향 추정 시스템의 블록도이다.

도 6을 참조하면, 본 발명의 실시 형태에 따른 운전 성향 추정 시스템은, 자동차(100'''')와 서버(300)를 포함한다.

자동차(100'''')는 다수의 차재장치를 탑재한다. 다수의 차재장치는 센싱 데이터 출력부(110)와 통신부(170)를 포함한다.

센싱 데이터 출력부(110)는 도 1에 도시된 센싱 데이터 출력부(110)와 동일하다. 따라서, 구체적인 설명은 생략한다.

통신부(170)는 센싱 데이터 출력부(110)로부터 출력되는 하나 또는 그 이상의 센싱 데이터를 수신하고, 네트워크를 통하여 통신을 수행하는 서버(300)로 수신된 센싱 데이터를 전송한다. 통신부(170)는 수신된 센싱 데이터를 가공, 변조 또는 암호화 등의 처리를 한 후에 서버(300)로 전송할 수도 있다.

서버(300)는 운전 성향 추정부(350)와 통신부(370)을 포함한다. 운전 성향 추정부(350)는 도 1 내지 도 5에 도시된 운전 성향 추정부(150, 150', 150'', 150''') 중 어느 하나일 수 있다.

통신부(370)는 자동차(100'''')의 통신부(170)와 네트워크를 통해 통신을 수행하여 자동차(100'''')의 통신부(170)로부터 소정의 데이터를 수신한다. 수신된 데이터는 자동차(100'''')의 센싱 데이터 출력부(110)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 포함한다. 통신부(370)는 자동차(100'''')의 통신부(170)로부터 수신된 소정의 데이터를 가공, 복조 또는 복호화 등의 처리를 하여 센싱 데이터 출력부(110)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 추출할 수 있다. 통신부(370)는 추출된 센싱 데이터를 운전 성향 추정부(350)로 제공한다.

운전 성향 추정부(350)는 통신부(370)로부터 하나 또는 그 이상의 센싱 데이터를 수신하고, 추정된 운전 성향에 관한 데이터를 통신부(370)로 제공할 수 있다. 또한, 통신부(370)는 추정된 운전 성향에 관한 데이터를 자동차(100'''')로 전송할 수 있다.

도 6에 도시된 운전 성향 시스템은, 자동차(100'''')가 아닌 서버(300)에서 운전 성향을 추정한다는 점에서, 도 1, 도 3, 도 4 및 도 5에 도시된 자동차와 차이가 있다. 운전 성향 추정이 서버(300)에서 이뤄지므로, 운전 성향 추정부의 일괄적인 관리가 용이한 이점이 있다.

한편, 도 6에 도시된 본 발명의 실시 형태에 따른 운전 성향 시스템에서도 앞서 설명한 <경사로에서의 속도 조절 성향 추정>, <급가속 또는 급감속에서의 운전 성향 추정>, <과속방지턱에서의 속도 조절 성향 추정>, <조향각에 따른 가감속 성향 추정>이 적용될 수 있다.

도 7은 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.

도 7을 참조하면, 본 발명의 또 다른 실시 형태에 따른 자동차(200)는 센싱 데이터 출력부(210), 학습부(230), 갱신부(240) 및 운전 성향 추정부(250)를 포함한다.

센싱 데이터 출력부(210)는 도 1에 도시된 센싱 데이터 출력부(110)와 동일할 수 있다. 따라서, 이에 대한 구체적인 설명은 도 1에 도시된 센싱 데이터 출력부(110)의 설명으로 대체한다.

센싱 데이터 출력부(210)는 하나 또는 그 이상의 센싱 데이터를 출력하고, 출력되는 센싱 데이터는 학습부(230)와 운전 성향 추정부(250)로 제공될 수 있다.

학습부(230)는 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는다. 여기서, 학습 모델은 도 2에 도시된 신경망일 수 있다.

학습부(230)는 운전 성향 추정부(250)의 소정의 변수를 갱신하기 위한 갱신 데이터를 생성할 수 있다. 갱신 데이터는 학습부(230)의 기계 학습된 학습 모델의 변수(또는 가중치)에 관한 정보를 포함한다. 예를 들어, 센싱 데이터에 의해 기계 학습된 학습 모델이 현재 소정의 변수로 셋팅되어 있는 것으로 가정하면, 학습부(230)는 상기 현재의 소정의 변수에 관한 정보를 갱신 데이터로서 생성할 수 있다.

학습부(230)는 생성된 갱신 데이터를 갱신부(240)로 제공한다.

갱신부(240)는 학습부(230)로부터 제공된 갱신 데이터에 기초하여 운전 성향 추정부(250)를 제어한다. 구체적으로, 갱신부(240)는 제공된 갱신 데이터에 따라 운전 성향 추정부(250)의 소정의 변수를 갱신하도록 제어한다.

운전 성향 추정부(250)는 센싱 데이터 출력부(210)로부터 제공되는 하나 또는 그 이상의 센싱 데이터에 기초하여 운전자의 운전 성향을 추정한다. 이를 위해, 운전 성향 추정부(250)는 소정의 학습 모델 또는 알고리즘을 가질 수 있다. 여기서, 운전 성향 추정부(250)가 갖는 학습 모델은 학습부(230)가 갖는 학습 모델과 동일할 수도 있고, 학습부(230)가 갖는 학습 모델과 다르지만 도 2에 도시된 바와 같은 신경망일 수 있다. 이 경우, 운전 성향 추정부(250)의 학습 모델은 소정의 변수를 갖는다. 소정의 변수는 갱신부(240)에 의해 갱신된다. 한편, 운전 성향 추정부(250)는 소정의 알고리즘일 수 있는데, 이 경우 소정의 알고리즘은 갱신 데이터에 기초하여 제어될 수 있다.

일 예로, 학습부(230)의 학습 모델과 운전 성향 추정부(250)의 학습 모델이 동일한 경우, 센싱 데이터 출력부(210)로부터 출력되는 하나 또는 그 이상의 센싱 데이터는 학습부(230)의 학습 모델의 입력노드로 입력되고, 이를 통해 학습부(230)의 학습 모델은 기계 학습을 수행한다. 학습부(230)의 학습 모델의 기계 학습에 의해 학습 모델의 소정의 변수는 갱신된다. 학습부(230)는 갱신된 소정의 변수에 관한 정보를 갱신 데이터로서 출력한다. 출력된 갱신 데이터는 갱신부(240)로 제공되고, 갱신부(240)는 갱신 데이터에 기초하여 운전 성향 추정부(250)의 학습 모델의 소정의 변수를 갱신한다.

도 7에 도시된 본 발명의 실시 형태에 따른 자동차(200)는, 도 1에 도시된 자동차(100)와 비교하여, 학습부(230)와 운전 성향 추정부(250)가 구분된다. 학습부(230)와 운전 성향 추정부(250)가 구분되는 것에 의해서, 도 1에 도시된 자동차(100)에서 얻을 수 없는 효과를 발휘할 수 있다.

예를 들어, 도 7에 도시된 본 발명의 실시 형태에 따른 자동차(200)는, 운전 성향 추정부(250)가 학습부(230)에서의 기계 학습과 갱신부(240)에서의 갱신이 되기 전까지는 운전 성향 추정부(250)의 변수가 갱신되지 않는다. 실시간 센싱 데이터에 의해 추정되는 운전 성향이 시시각각 변화되지 않는 이점이 있다.

한편, 도 7에 도시된 운전 성향 추정부(250)는 도 3 내지 도 5에 도시된 운전 성향 추정부(150', 150'', 150''')로 대체될 수 있다.

한편, 도 7에 도시된 본 발명의 실시 형태에 따른 자동차(200)에서도 앞서 설명한 <경사로에서의 속도 조절 성향 추정>, <급가속 또는 급감속에서의 운전 성향 추정>, <과속방지턱에서의 속도 조절 성향 추정>, <조향각에 따른 가감속 성향 추정>이 적용될 수 있다.

도 8은 본 발명의 다른 실시 형태에 따른 운전 성향 추정 시스템의 블록도이다.

도 8을 참조하면, 본 발명의 다른 실시 형태에 따른 운전 성향 추정 시스템은 자동차(200')와 서버(300)을 포함한다.

자동차(200')는 다수의 차재장치를 탑재한다. 다수의 차재장치는 센싱 데이터 출력부(210), 갱신부(240), 운전 성향 추정부(250) 및 통신부(270)을 포함한다.

센싱 데이터 출력부(210)는 도 7에 도시된 센싱 데이터 출력부(210)와, 갱신부(240)는 도 7에 도시된 갱신부(240)와, 운전 성향 추정부(250)는 도 7에 도시된 운전 성향 추정부(250)와 동일하다. 다만, 센싱 데이터 출력부(210)는 하나 또는 그 이상의 센싱 데이터를 통신부(270)로 전송하고, 갱신부(240)는 통신부(270)로부터 갱신 데이터를 수신한다.

통신부(270)는 센싱 데이터 출력부(210)로부터 수신된 하나 또는 그 이상의 센싱 데이터를 네트워크를 통해 통신을 수행하는 서버(300)로 전송한다. 통신부(370)는 수신된 센싱 데이터를 가공, 변조 또는 암호화 등의 처리를 한 후에 서버(300)로 전송할 수도 있다.

서버(300)는 학습부(330)와 통신부(370)을 포함한다. 학습부(330)는 도 7에 도시된 학습부(230)와 동일하다. 다만, 학습부(230)는 통신부(370)로부터 하나 또는 그 이상의 센싱 데이터를 제공받는다.

통신부(370)는 자동차(200')의 통신부(270)로부터 소정의 데이터를 수신한다. 수신된 데이터는 자동차(200')의 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 포함한다. 통신부(370)는 자동차(200')의 통신부(270)로부터 수신된 소정의 데이터를 가공, 복조 또는 복호화 등의 처리를 하여 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 추출할 수 있다. 통신부(370)는 추출된 센싱 데이터를 학습부(330)로 제공한다.

도 8에 도시된 운전 성향 시스템은, 자동차(200')가 아닌 서버(300)에서 기계 학습을 수행하는 학습 모델이 구비되고, 서버(300)가 아닌 자동차(200')에서 운전 성향이 추정된다. 기계 학습이 서버(300)에서 이뤄지기 때문에, 신뢰할 수 있는 운전 성향을 추정할 수 있고, 관리가 용이한 이점이 있다.

한편, 도 8에 도시된 본 발명의 실시 형태에 따른 운전 성향 시스템에서도 앞서 설명한 <경사로에서의 속도 조절 성향 추정>, <급가속 또는 급감속에서의 운전 성향 추정>, <과속방지턱에서의 속도 조절 성향 추정>, <조향각에 따른 가감속 성향 추정>이 적용될 수 있다.

도 9는 본 발명의 또 다른 실시 형태에 따른 운전 성향 추정 시스템의 블록도이다.

도 9를 참조하면, 본 발명의 다른 실시 형태에 따른 운전 성향 추정 시스템은 자동차(200'')와 서버(300)을 포함한다.

자동차(200'')는 다수의 차재장치를 포함한다. 다수의 차재장치는 센싱 데이터 출력부(210) 및 통신부(270)을 포함한다.

센싱 데이터 출력부(210)는 도 7에 도시된 센싱 데이터 출력부(210)와 동일하다. 다만, 센싱 데이터 출력부(210)는 하나 또는 그 이상의 센싱 데이터를 통신부(270)로 전송한다.

서버(300)는 학습부(330), 갱신부(340), 운전 성향 추정부(350) 및 통신부(370)를 포함한다. 학습부(330)는 도 7에 도시된 학습부(230)와, 갱신부(340)는 도 7에 도시된 갱신부(240)와, 운전 성향 추정부(350)는 도 7에 도시된 운전 성향 추정부(250)와 동일하다. 다만, 학습부(230)는 통신부(370)로부터 하나 또는 그 이상의 센싱 데이터를 제공받는다.

통신부(370)는 자동차(200'')의 통신부(270)로부터 소정의 데이터를 수신한다. 수신된 데이터는 자동차(200'')의 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 포함한다. 통신부(370)는 자동차(200'')의 통신부(270)로부터 수신된 소정의 데이터를 가공, 복조 또는 복호화 등의 처리를 하여 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 추출할 수 있다. 통신부(370)는 추출된 센싱 데이터를 학습부(330)로 제공한다.

도 9에 도시된 운전 성향 시스템은, 자동차(200'')가 아닌 서버(300)에서 기계 학습을 수행하는 학습 모델이 구비되고, 운전 성향이 추정된다. 도 9에 도시된 운전 성향 시스템은 서버(300)에서 기계 학습과 운전 성향이 추정되므로, 신뢰할 수 있는 운전 성향을 추정할 수 있고, 관리가 용이한 이점이 있다.

한편, 도 9에 도시된 본 발명의 실시 형태에 따른 운전 성향 시스템에서도 앞서 설명한 <경사로에서의 속도 조절 성향 추정>, <급가속 또는 급감속에서의 운전 성향 추정>, <과속방지턱에서의 속도 조절 성향 추정>, <조향각에 따른 가감속 성향 추정>이 적용될 수 있다.

도 10은 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.

도 10에 도시된 본 발명의 또 다른 실시 형태에 따른 자동차(500)는 운전자의 운전 성향을 추정한 후 운전 성향에 따라 자동차(500)의 엑추에이터를 조정할 수 있다.

도 10에 도시된 자동차(500)는 도 1에 도시된 자동차(100)에 조정부(590)를 더 포함한다. 별도의 도면으로 도시하지 않았지만, 조정부(590)는 도 3, 도 4 및 도 5에 도시된 자동차(100', 100'', 100''')에도 적용될 수 있다.

조정부(590)는 운전 성향 추정부(150)에서 추정된 운전 성향에 기초하여 자동차(500)에 탑재된 하나 또는 그 이상의 액츄에이터를 조정한다.

예를 들어, <경사로에서의 속도 조절 성향 추정>의 경우에, 조정부(590)는 추정된 운전 성향에 기초하여 액셀 페달 또는 브레이크 페달을 조정하는 제어 신호를 출력할 수 있다.

<급가속 또는 급감속에서의 운전 성향 추정>의 경우에, 조정부(590)는 추정된 운전 성향에 기초하여 액셀 페달 또는 브레이크 페달을 조정하는 제어 신호와 밸브 회전 각도를 조정하는 제어 신호를 출력할 수 있다.

<과속방지턱에서의 속도 조절 성향 추정>의 경우에, 조정부(590)는 추정된 운전 성향에 기초하여 액셀 페달 또는 브레이크 페달을 조정하는 제어 신호를 출력할 수 있다.

<조향각에 따른 가감속 성향 추정>의 경우에, 조정부(590)는 추정된 운전 성향에 기초하여 액셀 페달 또는 브레이크 페달을 조정하는 제어 신호와 핸들의 회전을 제어하는 제어 신호를 출력할 수 있다.

도 11은 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템의 블록도이다.

도 11에 도시된 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템은 운전자의 운전 성향을 추정한 후 운전 성향에 따라 자동차(500')의 엑추에이터를 조정할 수 있다.

도 11에 도시된 자동차 조정 시스템은, 도 6에 도시된 운전 성향 시스템에 조정부(590)를 더 포함한다. 조정부(590)는 자동차(500')의 다수의 차재장치 중 하나를 구성한다. 조정부(590)는 통신부(170)로부터 운전 성향 정보를 수신하고, 수신된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정한다.

도 12는 본 발명의 또 다른 실시 형태에 따른 자동차의 블록도이다.

도 12에 도시된 본 발명의 또 다른 실시 형태에 따른 자동차(600)는 운전자의 운전 성향을 추정한 후 운전 성향에 따라 자동차(600)의 엑추에이터를 조정할 수 있다.

도 12에 도시된 자동차(600)는, 도 7에 도시된 자동차(200)에 조정부(690)를 더 포함한다. 조정부(690)는 운전 성향 추정부(250)으로부터 운전 성향 정보를 수신하고, 수신된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정한다.

도 13은 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템의 블록도이다.

도 13에 도시된 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템은 운전자의 운전 성향을 추정한 후 운전 성향에 따라 자동차(600')의 엑추에이터를 조정할 수 있다.

도 13에 도시된 자동차 조정 시스템은, 도 8에 도시된 운전 성향 시스템에 조정부(690)를 더 포함한다. 조정부(690)는 자동차(600')의 다수의 차재장치 중 하나를 구성한다. 조정부(690)는 운전 성향 추정부(250)로부터 운전 성향 정보를 수신하고, 수신된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정한다.

도 14는 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템의 블록도이다.

도 14에 도시된 본 발명의 또 다른 실시 형태에 따른 자동차 조정 시스템은 운전자의 운전 성향을 추정한 후 운전 성향에 따라 자동차(600'')의 엑추에이터를 조정할 수 있다.

도 14에 도시된 자동차 조정 시스템은, 도 9에 도시된 운전 성향 시스템에 조정부(690)를 더 포함한다. 조정부(690)는 자동차(600'')의 다수의 차재장치 중 하나를 구성한다. 조정부(690)는 통신부(270)로부터 운전 성향 정보를 수신하고, 수신된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정한다.

이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

100, 100', 100'', 100''', 100'''', 200, 200', 200'', 500, 500', 600, 600': 자동차
110, 210: 센싱 데이터 출력부
300: 서버

Claims

센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부; 및
상기 센싱 데이터 출력부로부터 제공되는 상기 센싱 데이터에 기초하여 운전 성향을 추정하고 상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는, 운전 성향 추정부;
를 포함하는, 자동차.
제 1 항에 있어서,
상기 학습 모델은 제1 학습 모델과 제2 학습 모델을 포함하고,
상기 제1 학습 모델은 상기 센싱 데이터에 기초하여 기계 학습을 수행하며, 상기 제2 학습 모델은 상기 제1 학습 모델로부터 출력되는 출력 데이터에 기초하여 기계 학습을 수행하는, 자동차.
제 1 항에 있어서,
상기 운전 성향 추정부는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 학습 모델의 기계 학습 여부를 판정하는, 피드백부;를 더 포함하는, 자동차.
제 1 항에 있어서,
상기 운전 성향 추정부는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 운전 성향을 판단하는, 운전 성향 판정부;를 더 포함하는, 자동차.
센싱 데이터 출력부로부터 하나 또는 그 이상의 센싱 데이터가 출력되는 데이터 출력 단계;
상기 출력되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 운전 성향을 추정하는 운전 성향 추정 단계; 및
상기 출력되는 센싱 데이터를 기초로 상기 학습 모델의 기계 학습을 수행하는 기계 학습 단계;
를 포함하는, 운전 성향 추정 방법.
제 5 항에 있어서,
상기 학습 모델은 제1 학습 모델과 제2 학습 모델을 포함하고,
상기 제1 학습 모델은 상기 센싱 데이터에 기초하여 기계 학습을 수행하며, 상기 제2 학습 모델은 상기 제1 학습 모델로부터 출력되는 출력 데이터에 기초하여 기계 학습을 수행하는, 운전 성향 추정 방법.
제 5 항에 있어서,
상기 운전 성향 추정 단계는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 학습 모델의 기계 학습 여부를 판정하는 피드백 단계를 더 포함하는, 운전 성향 추정 방법.
제 5 항에 있어서,
상기 운전 성향 추정 단계는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 운전 성향을 판단하는 운전 성향 판단 단계를 더 포함하는, 운전 성향 추정 방법.
다수의 자동차에 각각 탑재된 다수의 차재장치와, 상기 다수의 차재장치와 네트워크를 통하여 통신을 행하는 서버를 갖는 운전 성향 추정 시스템으로서,
상기 다수의 차재장치는,
센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부;
상기 출력된 센싱 데이터를 상기 서버에 송신하는 통신부;를 포함하고,
상기 서버는,
상기 다수의 차재장치로부터 상기 센싱 데이터를 수신하는 통신부;
상기 수신된 센싱 데이터에 기초하여 운전 성향을 추정하고 상기 수신된 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는 운전 성향 추정부;를 포함하는,
운전 성향 추정 시스템.
다수의 자동차에 각각 탑재된 다수의 차재장치와 네트워크를 통하여 통신을 행하는 서버에서의 운전 성향 추정 방법으로서,
상기 다수의 차재장치로부터 센싱 데이터를 수신하는 단계;
상기 수신되는 센싱 데이터를 입력으로 하는 학습 모델을 기초로 운전 성향을 추정하는 운전 성향 추정 단계; 및
상기 수신되는 센싱 데이터를 기초로 상기 학습 모델의 기계 학습을 수행하는 단계;
를 포함하는, 운전 성향 추정 방법.
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부;
상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖고, 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습부; 및
상기 생성된 갱신 데이터에 기초하여 상기 운전 성향 추정부의 상기 소정의 변수를 갱신하는 갱신부;
를 포함하는, 자동차.
하나 또는 그 이상의 센싱 데이터 출력부를 이용하여 센싱 데이터를 취득하는 단계;
상기 취득된 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습 단계;
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계; 및
상기 갱신된 소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정 단계;
를 포함하는, 운전 성향 추정 방법.
다수의 자동차에 각각 탑재된 다수의 차재장치와, 상기 다수의 차재장치와 네트워크를 통하여 통신를 행하는 서버를 가지는 운전 성향 추정 시스템으로서,
상기 다수의 차재장치는,
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
센싱 데이터를 취득하기 위한 하나 또는 그 이상의 센싱 데이터 출력부;
상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하고, 상기 서버로부터 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 수신하는 통신부; 및
상기 수신된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부;를 포함하고,
상기 서버는,
상기 다수의 차재장치로부터 상기 학습용 데이터를 수신하고, 상기 갱신 데이터를 상기 다수의 차재장치로 송신하는 통신부; 및
상기 학습용 데이터에 기초하여 기계 학습을 행하는 학습 모델을 갖고, 상기 갱신 데이터를 생성하는 학습부;를 포함하는,
운전 성향 추정 시스템.
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
센싱 데이터를 취득하기 위한 하나 또는 그 이상의 센싱 데이터 출력부;
상기 취득된 센싱 데이터를 학습용 데이터로서 서버에 송신하고, 상기 서버로부터 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 수신하는 통신부; 및
상기 수신된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부;
를 포함하는, 자동차.
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정 단계;
하나 또는 그 이상의 센싱 데이터 출력부를 이용하여 센싱 데이터를 취득하는 단계;
취득된 상기 센싱 데이터를 학습용 데이터로서 서버에 송신하는 단계;
상기 서버로부터 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 수신하는 단계; 및
상기 수신된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계;
를 구비하는, 운전 성향 추정 방법.
다수의 자동차에 각각 탑재된 다수의 차재장치와 네트워크를 통하여 통신을 행하는 서버에서의 운전 성향 추정 방법으로서,
상기 다수의 차재장치로부터의 센싱 데이터를 학습용 데이터로서 수신하는 단계;
상기 학습용 데이터를 입력으로 하는 학습 모델이 기계 학습을 수행하고, 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 단계; 및
상기 갱신 데이터를 상기 다수의 차재장치로 송신하는 단계;
를 포함하는, 운전 성향 추정 방법.
다수의 자동차에 각각 탑재된 다수의 차재장치와, 상기 다수의 차재장치와 네트워크를 통하여 통신을 행하는 서버를 가지는 운전 성향 추정 시스템으로서,
상기 다수의 차재장치는,
센싱 데이터를 취득하는 위한 하나 또는 그 이상의 센싱 데이터 출력부; 및
상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 제공하는 통신부;를 포함하고,
상기 서버는,
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
상기 다수의 차재장치로부터 상기 학습용 데이터를 수신하는 통신부;
상기 학습용 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖고, 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습부; 및
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부;를 포함하는,
운전 성향 추정 시스템.
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
다수의 차재장치로부터 학습용 데이터를 수신하는 통신부;
상기 수신된 학습용 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖고, 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습부; 및
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부;
를 포함하는, 운전 성향 추정 서버.
다수의 자동차에 각각 탑재된 다수의 차재장치와 네트워크를 통하여 통신을 행하는 서버에서의 운전 성향 추정 방법으로서,
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정 단계;
상기 다수의 차재장치로부터 학습용 데이터를 수신하는 단계;
상기 수신된 학습용 데이터를 입력으로 하는 학습 모델을 기초로 기계 학습을 행하고, 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 단계; 및
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계;
를 포함하는, 운전 성향 추정 방법.
제 1 항 내지 제 4 항, 제 11 항, 제 14 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서, 자이로 센서, 페달 센서, TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터, 상기 자이로 센서에 의해 센싱된 각속도 데이터, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터, 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 경사로에서의 속도 조절 성향과 대응되는, 자동차.
제 1 항 내지 제 4 항, 제 11 항, 제 14 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 급가속 또는 급감속에서의 운전 성향과 대응되는, 자동차.
제 1 항 내지 제 4 항, 제 11 항, 제 14 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서 및 페달 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터 및 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 과속방지턱에서의 속도 조절 성향과 대응되는, 자동차.
제 1 항 내지 제 4 항, 제 11 항, 제 14 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 속도 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 속도 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 조향각에 따른 가감속 성향과 대응되는, 자동차.
제 5 항 내지 제 8 항, 제 10 항, 제 12 항, 제 15 항, 제 19 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서, 자이로 센서, 페달 센서, TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터, 상기 자이로 센서에 의해 센싱된 각속도 데이터, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터, 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 경사로에서의 속도 조절 성향과 대응되는, 운전 성향 추정 방법.
제 5 항 내지 제 8 항, 제 10 항, 제 12 항, 제 15 항, 제 19 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 급가속 또는 급감속에서의 운전 성향과 대응되는, 운전 성향 추정 방법.
제 5 항 내지 제 8 항, 제 10 항, 제 12 항, 제 15 항, 제 19 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서 및 페달 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터 및 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 과속방지턱에서의 속도 조절 성향과 대응되는, 운전 성향 추정 방법.
제 5 항 내지 제 8 항, 제 10 항, 제 12 항, 제 15 항, 제 19 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 속도 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 속도 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 조향각에 따른 가감속 성향과 대응되는, 운전 성향 추정 방법.
제 9 항, 제 13 항, 제 17 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서, 자이로 센서, 페달 센서, TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터, 상기 자이로 센서에 의해 센싱된 각속도 데이터, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터, 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 경사로에서의 속도 조절 성향과 대응되는, 운전 성향 추정 시스템.
제 9 항, 제 13 항, 제 17 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 급가속 또는 급감속에서의 운전 성향과 대응되는, 운전 성향 추정 시스템.
제 9 항, 제 13 항, 제 17 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서 및 페달 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터 및 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 과속방지턱에서의 속도 조절 성향과 대응되는, 운전 성향 추정 시스템.
제 9 항, 제 13 항, 제 17 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 속도 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 속도 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 조향각에 따른 가감속 성향과 대응되는, 운전 성향 추정 시스템.
센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부;
상기 센싱 데이터 출력부로부터 제공되는 상기 센싱 데이터에 기초하여 운전 성향을 추정하고 상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는, 운전 성향 추정부; 및
상기 추정된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는, 조정부;
를 포함하는, 자동차.
제 32 항에 있어서,
상기 학습 모델은 제1 학습 모델과 제2 학습 모델을 포함하고,
상기 제1 학습 모델은 상기 센싱 데이터에 기초하여 기계 학습을 수행하며, 상기 제2 학습 모델은 상기 제1 학습 모델로부터 출력되는 출력 데이터에 기초하여 기계 학습을 수행하는, 자동차.
제 32 항에 있어서,
상기 운전 성향 추정부는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 학습 모델의 기계 학습 여부를 판정하는, 피드백부;를 더 포함하는, 자동차.
제 32 항에 있어서,
상기 운전 성향 추정부는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 운전 성향을 판단하는, 운전 성향 판정부;를 더 포함하는, 자동차.
센싱 데이터 출력부로부터 하나 또는 그 이상의 센싱 데이터가 출력되는 데이터 출력 단계;
상기 출력되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 운전 성향을 추정하는 운전 성향 추정 단계;
상기 출력되는 센싱 데이터를 기초로 상기 학습 모델의 기계 학습을 수행하는 기계 학습 단계; 및
상기 추정된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정 단계;
를 포함하는, 자동차 조정 방법.
제 36 항에 있어서,
상기 학습 모델은 제1 학습 모델과 제2 학습 모델을 포함하고,
상기 제1 학습 모델은 상기 센싱 데이터에 기초하여 기계 학습을 수행하며, 상기 제2 학습 모델은 상기 제1 학습 모델로부터 출력되는 출력 데이터에 기초하여 기계 학습을 수행하는, 자동차 조정 방법.
제 36 항에 있어서,
상기 운전 성향 추정 단계는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 학습 모델의 기계 학습 여부를 판정하는 피드백 단계를 더 포함하는, 자동차 조정 방법.
제 36 항에 있어서,
상기 운전 성향 추정 단계는, 상기 학습 모델로부터 출력되는 출력 데이터에 기초하여 상기 운전 성향을 판단하는 운전 성향 판단 단계를 더 포함하는, 자동차 조정 방법.
다수의 자동차에 각각 탑재된 다수의 차재장치와, 상기 다수의 차재장치와 네트워크를 통하여 통신을 행하는 서버를 갖는 운전 성향 추정 시스템으로서,
상기 다수의 차재장치는,
센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부;
상기 출력된 센싱 데이터를 상기 서버에 송신하는 통신부; 및
상기 통신부로부터 수신된 운전 성향 정보에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정부;를 포함하고,
상기 서버는,
상기 다수의 차재장치로부터 상기 센싱 데이터를 수신하고, 상기 운전 성향 정보를 상기 다수의 차재장치로 전송하는 통신부;
상기 수신된 센싱 데이터에 기초하여 운전 성향을 추정하여 상기 운전 성향 정보를 상기 통신부로 제공하고 상기 수신된 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는 운전 성향 추정부;를 포함하는,
자동차 조정 시스템.
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부;
상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖고, 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습부;
상기 생성된 갱신 데이터에 기초하여 상기 운전 성향 추정부의 상기 소정의 변수를 갱신하는 갱신부; 및
상기 추정된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정부;
를 포함하는, 자동차.
하나 또는 그 이상의 센싱 데이터 출력부를 이용하여 센싱 데이터를 취득하는 단계;
상기 취득된 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습 단계;
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계;
상기 갱신된 소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정 단계; 및
상기 추정된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정 단계;
를 포함하는, 자동차 조정 방법.
다수의 자동차에 각각 탑재된 다수의 차재장치와, 상기 다수의 차재장치와 네트워크를 통하여 통신를 행하는 서버를 가지는 운전 성향 추정 시스템으로서,
상기 다수의 차재장치는,
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
센싱 데이터를 취득하기 위한 하나 또는 그 이상의 센싱 데이터 출력부;
상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하고, 상기 서버로부터 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 수신하는 통신부;
상기 수신된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부; 및
상기 추정된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정부;를 포함하고,
상기 서버는,
상기 다수의 차재장치로부터 상기 학습용 데이터를 수신하고, 상기 갱신 데이터를 상기 다수의 차재장치로 송신하는 통신부; 및
상기 학습용 데이터에 기초하여 기계 학습을 행하는 학습 모델을 갖고, 상기 갱신 데이터를 생성하는 학습부;를 포함하는,
자동차 조정 시스템.
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 운전 성향 추정부;
센싱 데이터를 취득하기 위한 하나 또는 그 이상의 센싱 데이터 출력부;
상기 취득된 센싱 데이터를 학습용 데이터로서 서버에 송신하고, 상기 서버로부터 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 수신하는 통신부;
상기 수신된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부; 및
상기 추정된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정부;
를 포함하는, 자동차.
소정의 변수에 기초하여 운전자의 운전 성향을 추정하는 단계;
하나 또는 그 이상의 센싱 데이터 출력부를 이용하여 센싱 데이터를 취득하는 단계;
취득된 상기 센싱 데이터를 학습용 데이터로서 서버에 송신하는 단계;
상기 서버로부터 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 수신하는 단계;
상기 수신된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계; 및
상기 추정된 운전 성향에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정 단계;
를 포함하는, 자동차 조정 방법.
다수의 자동차에 각각 탑재된 다수의 차재장치와, 상기 다수의 차재장치와 네트워크를 통하여 통신을 행하는 서버를 가지는 운전 성향 추정 시스템으로서,
상기 다수의 차재장치는,
센싱 데이터를 취득하는 위한 하나 또는 그 이상의 센싱 데이터 출력부;
상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 제공하는 통신부; 및
상기 통신부로부터 수신된 운전 성향 정보에 기초하여 하나 또는 그 이상의 엑추에이터를 조정하는 조정부;를 포함하고,
상기 서버는,
소정의 변수에 기초하여 운전자의 운전 성향을 추정하여 상기 운전 성향 정보를 출력하는 운전 성향 추정부;
상기 다수의 차재장치로부터 상기 학습용 데이터를 수신하고, 상기 출력된 운전 성향 정보를 상기 다수의 차재장치로 전송하는 통신부;
상기 학습용 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖고, 상기 소정의 변수를 갱신하기 위한 갱신 데이터를 생성하는 학습부; 및
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부;를 포함하는,
자동차 조정 시스템.
제 32 항 내지 제 35 항, 제 41 항, 제 44 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서, 자이로 센서, 페달 센서, TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터, 상기 자이로 센서에 의해 센싱된 각속도 데이터, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터, 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 경사로에서의 속도 조절 성향과 대응되고,
상기 조정부는 상기 경사로에서의 속도 조절 성향에 기초하여 브레이크 페달 또는 액셀 페달을 조정하기 위한 제어 신호를 출력하는, 자동차.
제 32 항 내지 제 35 항, 제 41 항, 제 44 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 급가속 또는 급감속에서의 운전 성향과 대응되고,
상기 조정부는 상기 급가속 또는 급감속에서의 운전 성향에 기초하여 브레이크 페달 또는 액셀 페달 및 밸브 회전 각도를 조정하기 위한 제어 신호를 출력하는, 자동차.
제 32 항 내지 제 35 항, 제 41 항, 제 44 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서 및 페달 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터 및 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 과속방지턱에서의 속도 조절 성향과 대응되고,
상기 조정부는 상기 과속방지턱에서의 속도 조절 성향에 기초하여 브레이크 페달 또는 액셀 페달을 조정하기 위한 제어 신호를 출력하는, 자동차.
제 32 항 내지 제 35 항, 제 41 항, 제 44 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 속도 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 속도 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 조향각에 따른 가감속 성향과 대응되고,
상기 조정부는 상기 조향각에 따른 가감속 성향에 기초하여 액셀 페달 또는 브레이크 페달을 조정하는 제어 신호와 핸들의 회전을 제어하는 제어 신호를 출력하는, 자동차.
제 36 항 내지 제 39 항, 제 42 항, 제 45 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서, 자이로 센서, 페달 센서, TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터, 상기 자이로 센서에 의해 센싱된 각속도 데이터, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터, 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 경사로에서의 속도 조절 성향과 대응되고,
상기 조정 단계는 상기 경사로에서의 속도 조절 성향에 기초하여 브레이크 페달 또는 액셀 페달을 조정하는 제어 신호를 출력하는, 자동차 조정 방법.
제 36 항 내지 제 39 항, 제 42 항, 제 45 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 급가속 또는 급감속에서의 운전 성향과 대응되고,
상기 조정 단계는 상기 급가속 또는 급감속에서의 운전 성향에 기초하여 브레이크 페달 또는 액셀 페달 및 밸브 회전 각도를 조정하기 위한 제어 신호를 출력하는, 자동차 조정 방법.
제 36 항 내지 제 39 항, 제 42 항, 제 45 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서 및 페달 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터 및 상기 페달 센서의해 센성된 페달 변위 각도 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 과속방지턱에서의 속도 조절 성향과 대응되고,
상기 조정 단계는 상기 과속방지턱에서의 속도 조절 성향에 기초하여 브레이크 페달 또는 액셀 페달을 조정하기 위한 제어 신호를 출력하는, 자동차 조정 방법.
제 36 항 내지 제 39 항, 제 42 항, 제 45 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 속도 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 속도 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 운전 성향 추정 단계에서 추정된 운전 성향은, 조향각에 따른 가감속 성향과 대응되고,
상기 조정 단계는 상기 조향각에 따른 가감속 성향에 기초하여 액셀 페달 또는 브레이크 페달을 조정하는 제어 신호와 핸들의 회전을 제어하는 제어 신호를 출력하는, 자동차 조정 방법.
제 40 항, 제 43 항, 제 46 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서, 자이로 센서, 페달 센서, TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터, 상기 자이로 센서에 의해 센싱된 각속도 데이터, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터, 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 경사로에서의 속도 조절 성향과 대응되고,
상기 조정부는 상기 경사로에서의 속도 조절 성향에 기초하여 브레이크 페달 또는 액셀 페달을 조정하기 위한 제어 신호를 출력하는, 자동차 조정 시스템.
제 40 항, 제 43 항, 제 46 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 급가속 또는 급감속에서의 운전 성향과 대응되고,
상기 조정부는 상기 급가속 또는 급감속에서의 운전 성향에 기초하여 브레이크 페달 또는 액셀 페달 및 밸브 회전 각도를 조정하기 위한 제어 신호를 출력하는, 자동차 조정 시스템.
제 40 항, 제 43 항, 제 46 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, G 센서 및 페달 센서를 포함하고,
상기 센싱 데이터는, 상기 G 센서에 의해 센싱된 가속도 데이터 및 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 과속방지턱에서의 속도 조절 성향과 대응되고,
상기 조정부는 상기 과속방지턱에서의 속도 조절 성향에 기초하여 브레이크 페달 또는 액셀 페달을 조정하기 위한 제어 신호를 출력하는, 자동차 조정 시스템.
제 40 항, 제 43 항, 제 46 항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 속도 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 속도 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 운전 성향 추정부에서 추정된 운전 성향은, 조향각에 따른 가감속 성향과 대응되고,
상기 조정부는 상기 조향각에 따른 가감속 성향에 기초하여 액셀 페달 또는 브레이크 페달을 조정하는 제어 신호와 핸들의 회전을 제어하는 제어 신호를 출력하는, 자동차 조정 시스템.