KR20190102146A

KR20190102146A - 자율주행시스템에서 차량의 배차방법 및 이를 위한 장치

Info

Publication number: KR20190102146A
Application number: KR1020190099300A
Authority: KR
Inventors: 김소령
Original assignee: 엘지전자 주식회사
Priority date: 2019-07-31
Filing date: 2019-08-14
Publication date: 2019-09-03
Also published as: US20210403054A1; WO2021020629A1

Abstract

자율주행시스템(Automated Vehicle & Highway Systems)에서 서버의 차량을 배차하는 방법에 있어서, 홈 IOT(Internet of Things)를 이용하여, 사용자의 상태정보를 획득하고, 상기 사용자의 행동정보를 판단하며, 상기 행동정보에 근거하여, 상기 사용자의 외출을 위한 행동순서와 관련된 외출단계를 설정하고, 상기 외출단계에 근거하여, 상기 차량에 상기 사용자가 상기 차량을 이용하기 위한, 배차요청 메시지를 전송함으로써, 사용자에게 효율적인 차량의 배차를 제공할 수 있다.
본 발명의 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공지능(Artificial Intelligence) 모듈, 드론 (Unmmanned Aerial Vehicle, UAV) 로봇, 증강 현실 (Augmented Reality, AR) 장치, 가상 현실(Virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다

Description

자율주행시스템에서 차량의 배차방법 및 이를 위한 장치{METHOD AND APPARATUS FOR VEHICLE DISPATCHING IN AUTONOMOUS DRIVING SYSTEM}

본 발명은 자율주행시스템에 관한 것으로서 홈 IOT(Internet of Things)를 이용한 차량의 배차방법 및 이를 위한 장치에 관한 것이다.

자동차는 사용되는 원동기의 종류에 따라, 내연기관(internal combustion engine) 자동차, 외연기관(external combustion engine) 자동차, 가스터빈(gas turbine) 자동차 또는 전기자동차(electric vehicle) 등으로 분류될 수 있다.

자율주행자동차(Autonomous Vehicle)란 운전자 또는 승객의 조작 없이 자동차 스스로 운행이 가능한 자동차를 말하며, 자율주행시스템(Automated Vehicle & Highway Systems)은 이러한 자율주행자동차가 스스로 운행될 수 있도록 모니터링하고 제어하는 시스템을 말한다.

본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 발명의 목적은, 자율주행시스템에서 차량의 배차방법 및 이를 위한 장치를 제안한다.

또한, 본 발명의 목적은, 자율주행시스템에서 홈 IOT를 이용하여, 사용자에게 효율적인 차량의 배차방법 및 이를 위한 장치를 제안한다.

본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 발명의 상세한 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 양상은, 자율주행시스템(Automated Vehicle & Highway Systems)에서 서버의 차량을 배차하는 방법에 있어서, 홈 IOT(Internet of Things)를 이용하여, 사용자의 상태정보를 획득하는 단계; 상기 상태정보로부터 특징값을 추출하는 단계; 상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 사용자의 행동정보를 판단하는 단계; 상기 행동정보에 근거하여, 상기 사용자의 외출을 위한 행동순서와 관련된 외출단계를 설정하는 단계; 및 상기 외출단계에 근거하여, 상기 차량에 상기 사용자가 상기 차량을 이용하기 위한, 배차요청 메시지를 전송하는 단계;를 포함하며, 상기 배차요청 메시지는 V2X 메시지를 통해 전송되며, 상기 차량을 이동시키기 위한 이동요청 메시지를 포함할 수 있다.

또한, 상기 상태정보는 상기 사용자의 위치정보, 상기 사용자가 위치하는 공간의 사물정보 및 상기 사용자가 상기 사물을 이용하는지 여부를 지시하는 정보를 포함하며, 홈 IOT(Internet of Things)를 통해 주기적으로 생성될 수 있다,

또한, 상기 외출단계는 상기 사용자가 외출준비를 시작하기 전임을 지시하는 제1 단계, 상기 사용자가 외출준비 중임을 지시하는 제2 단계 또는 상기 사용자의 외출준비가 완료되었음을 지시하는 제3 단계를 포함할 수 있다.

또한, 상기 이동요청 메시지는 상기 외출단계에 근거하여, 상기 사용자의 위치지점으로부터 일정거리 범위 이내의 지점으로 이동을 지시할 수 있다.

또한, 상기 제2 단계는 상기 사용자가 하나 이상의 상기 행동순서에 관련된 행동을 수행하였다고 판단되는 경우에 설정될 수 있다.

또한, 상기 외출단계가 갱신되는 경우, 상기 일정거리 범위는 이전 외출단계에서 지시된 일정거리 범위보다 상기 사용자의 위치지점으로부터 가까운 일정거리 범위를 지시할 수 있다.

또한, 상기 외출단계를 상기 제3 단계로 설정하는 경우, 상기 사용자의 단말로 상기 차량의 탑승여부 문의 메시지를 전송하는 단계; 및 상기 탑승여부 문의 메시지에 대한 응답 메시지를 수신하는 단계;를 더 포함하며, 상기 응답 메시지에 근거하여, 상기 사용자의 이용정보를 갱신할 수 있다.

또한, 상기 응답 메시지가 상기 사용자의 탑승 거부를 지시하는 경우, 상기 차량을 유휴차량으로 설정할 수 있다.

또한, 상기 응답 메시지가 상기 사용자의 탑승 수락을 지시하는 경우, 상기 차량의 탑승위치, 상기 차량의 정보, 상기 차량의 이용요금, 상기 사용자의 목적지까지의 이동거리 또는 소요시간에 대한 정보를 상기 단말로 전송하는 단계; 를 더 포함할 수 있다.

또한, 상기 상태정보를 근거로, 상기 DNN 모델을 이용하여, 사용자의 의상정보를 판단하는 단계; 및 상기 의상정보와 관련된 상기 차량의 우선순위값을 설정하는 단계; 를 더 포함하며, 상기 우선순위값을 설정하는 단계는 상기 사용자의 의상이 격식있는(formal) 의상인 경우, 높은 등급의 차종인 차량에게 높은 우선순위값을 설정하는 배차방법.

본 발명의 또 다른 일 양상은 자율주행시스템(Automated Vehicle & Highway Systems)에서 차량을 배차하는 방법을 제공하는 서버에 있어서, 통신모듈(communication module); 메모리; 프로세서를 포함하고, 상기 프로세서는 홈 IOT(Internet of Things)를 이용하여, 사용자의 상태정보를 획득하고, 상기 상태정보로부터 특징값을 추출하며, 상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 사용자의 행동정보를 판단하고, 상기 행동정보에 근거하여, 상기 사용자의 외출을 위한 행동순서와 관련된 외출단계를 설정하며, 상기 외출단계에 근거하여, 상기 차량에 상기 사용자가 상기 차량을 이용하기 위한, 배차요청 메시지를 상기 통신모듈을 통해 전송하고, 상기 배차요청 메시지는 V2X 메시지를 통해 전송되며, 상기 차량을 이동시키기 위한 이동요청 메시지를 포함할 수 있다.

본 발명의 실시예에 따르면, 자율주행시스템에서 차량의 배차방법 및 이를 위한 장치를 제공 할 수 있다.

또한, 본 발명의 실시예에 따르면, 자율주행시스템에서 서버는 홈 IOT를 이용하여, 사용자에게 효율적인 차량의 배차방법 및 이를 위한 장치를 제공할 수 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 실시예에 따른 차량을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 6은 본 발명의 일 실시예에 따른 자율 주행 차량과 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 7은 본 발명이 적용될 수 있는 DNN 모델의 예시이다.
도 8은 본 발명이 적용될 수 있는 일 실시예이다.
도 9는 본 발명이 적용될 수 있는 일 실시예이다.
도 10은 본 발명이 적용되는 서버의 구성을 도시하는 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, AI 프로세싱된 정보를 필요로 하는 자율주행장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.

예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.

도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ?}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의(best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

도 4는 본 발명의 실시예에 따른 차량을 도시한 도면이다.

도 4를 참조하면, 본 발명의 실시예에 따른 차량(10)은, 도로나 선로 위를 주행하는 수송 수단으로 정의된다. 차량(10)은, 자동차, 기차, 오토바이를 포함하는 개념이다. 차량(10)은, 동력원으로서 엔진을 구비하는 내연기관 차량, 동력원으로서 엔진과 전기 모터를 구비하는 하이브리드 차량, 동력원으로서 전기 모터를 구비하는 전기 차량등을 모두 포함하는 개념일 수 있다. 차량(10)은 개인이 소유한 차량일 수 있다. 차량(10)은, 공유형 차량일 수 있다. 차량(10)은 자율 주행 차량일 수 있다.

도 5는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.

상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 1에 도시된 차량(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

상기 AI 프로세싱은, 도 4에 도시된 차량(10)의 주행과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 자율주행 차량은 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다.

상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 차량 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 차량 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.

학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.

모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.

신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

여기서 외부 전자 기기는 자율 주행 차량으로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 자율 주행 모듈 차량과 통신하는 다른 차량 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 차량 내에 구비된 자율주행 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 자율 주행 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다. 또한, AI 장치(20)는 홈 서버를 통해 구현될 수도 있다.

한편, 도 5에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

도 6은 본 발명의 실시예에 따른 자율 주행 차량과 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.

도 6을 참조하면, 자율 주행 차량(10)은 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 상기 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 자율 주행 차량(10)으로 전송할 수 있다. AI 장치(20)는 도 2에 설명한 내용을 참조할 수 있다.

자율 주행 차량(10)은 메모리(140), 프로세서(170), 전원 공급부(190)를 포함할 수 있으며, 상기 프로세서(170)는 자율 주행 모듈(260)과 AI 프로세서(261)를 더 구비할 수 있다. 또한, 상기 자율 주행 차량(10)은 차량 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 연결되어 자율 주행 제어에 필요한 데이터를 교환할 수 있는 인터페이스부를 포함할 수 있다. 상기 인터페이스부를 통해 연결된 적어도 하나의 전자 장치는, 오브젝트 검출부(210), 통신부(220), 운전 조작부(230), 메인 ECU(240), 차량 구동부(250), 센싱부(270), 위치 데이터 생성부(280)를 포함할 수 있다.

상기 인터페이스부는, 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.

메모리(140)는, 프로세서(170)와 전기적으로 연결된다. 메모리(140)는 유닛에 대한 기본데이터, 유닛의 동작제어를 위한 제어데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(140)는, 프로세서(170)에서 처리된 데이터를 저장할 수 있다. 메모리(140)는, 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(140)는 프로세서(170)의 처리 또는 제어를 위한 프로그램 등, 자율 주행 차량(10) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(140)는, 프로세서(170)와 일체형으로 구현될 수 있다. 실시예에 따라, 메모리(140)는, 프로세서(170)의 하위 구성으로 분류될 수 있다.

전원 공급부(190)는, 자율 주행 장치(10)에 전원을 공급할 수 있다. 전원 공급부(190)는, 자율 주행 차량(10)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 자율 주행 차량(10)의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(190)는, 메인 ECU(240)로부터 제공되는 제어 신호에 따라 동작될 수 있다. 전원 공급부(190)는, SMPS(switched-mode power supply)를 포함할 수 있다.

프로세서(170)는, 메모리(140), 인터페이스부(280), 전원 공급부(190)와 전기적으로 연결되어 신호를 교환할 수 있다. 프로세서(170)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.

프로세서(170)는, 전원 공급부(190)로부터 제공되는 전원에 의해 구동될 수 있다. 프로세서(170)는, 전원 공급부(190)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.

프로세서(170)는, 인터페이스부부를 통해, 자율 주행 차량(10) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 프로세서(170)는, 인터페이스부를 통해, 자율 주행 차량(10) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.

자율 주행 차량(10)은, 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(140), 인터페이스부, 전원 공급부(190) 및 프로세서(170)는, 인쇄 회로 기판에 전기적으로 연결될 수 있다.

이하, 상기 인터페이스부와 연결된 차량 내 다른 전자 장치 및 AI 프로세서(261), 자율 주행 모듈(260)에 대하여 보다 구체적으로 설명한다. 이하, 설명의 편의를 위해 자율 주행 차량(10)을 차량(10)으로 호칭하기로 한다.

먼저, 오브젝트 검출부(210)는 차량(10) 외부의 오브젝트에 대한 정보를 생성할 수 있다. AI 프로세서(261)는 오브젝트 검출부(210)를 통해 획득된 데이터에 신경망 모델을 적용함으로써, 오브젝트의 존재 유무, 오브젝트의 위치 정보, 차량과 오브젝트의 거리 정보, 차량과 오브젝트와의 상대 속도 정보 중 적어도 하나를 생성할 수 있다.

오브젝트 검출부(210)는, 차량(10) 외부의 오브젝트를 검출할 수 있는 적어도 하나의 센서를 포함할 수 있다. 상기 센서는, 카메라, 레이다, 라이다, 초음파 센서 및 적외선 센서 중 적어도 하나를 포함할 수 있다. 오브젝트 검출부(210)는, 센서에서 생성되는 센싱 신호에 기초하여 생성된 오브젝트에 대한 데이터를 차량에 포함된 적어도 하나의 전자 장치에 제공할 수 있다.

한편, 차량(10)는 상기 적어도 하나의 센서를 통해 획득된 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다. 차량(10)은 수신된 AI 프로세싱 데이터에 기초하여 검출된 오브젝트에 대한 정보를 인식하고, 자율 주행 모듈(260)은 상기 인식한 정보를 이용하여 자율 주행 제어 동작을 수행할 수 있다.

통신부(220)는 차량(10) 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신부(220)는, 인프라(예를 들면, 서버, 방송국), 타 차량, 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신부(220)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.

오브젝트 검출부(210)를 통해 획득된 데이터에 신경망 모델을 적용함으로써, 오브젝트의 존재 유무, 오브젝트의 위치 정보, 차량과 오브젝트의 거리 정보, 차량과 오브젝트와의 상대 속도 정보 중 적어도 하나를 생성할 수 있다.

운전 조작부(230)는 운전을 위한 사용자 입력을 수신하는 장치이다. 메뉴얼 모드인 경우, 차량(10)은, 운전 조작부(230)에 의해 제공되는 신호에 기초하여 운행될 수 있다. 운전 조작부(230)는, 조향 입력 장치(예를 들면, 스티어링 휠), 가속 입력 장치(예를 들면, 가속 페달) 및 브레이크 입력 장치(예를 들면, 브레이크 페달)를 포함할 수 있다.

한편, AI 프로세서(261)는 자율 주행 모드에서, 자율 주행 모듈(260)을 통해 생성된 드라이빙 플랜에 따른 차량의 움직임을 제어하기 위한 신호에 따라 상기 운전자 조작부(230)의 입력 신호를 생성할 수 있다.

한편, 차량(10)는 운전자 조작부(230)의 제어에 필요한 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다. 차량(10)은 수신된 AI 프로세싱 데이터에 기초하여 운전자 조작부(230)의 입력 신호를 차량의 움직임 제어에 이용할 수 있다.

메인 ECU(240)는, 차량(10) 내에 구비되는 적어도 하나의 전자 장치의 전반적인 동작을 제어할 수 있다.

차량 구동부(250)는 차량(10)내 각종 차량 구동 장치를 전기적으로 제어하는 장치이다. 차량 구동부(250)는, 파워 트레인 구동 제어 장치, 샤시 구동 제어 장치, 도어/윈도우 구동 제어 장치, 안전 장치 구동 제어 장치, 램프 구동 제어 장치 및 공조 구동 제어 장치를 포함할 수 있다. 파워 트레인 구동 제어 장치는, 동력원 구동 제어 장치 및 변속기 구동 제어 장치를 포함할 수 있다. 샤시 구동 제어 장치는, 조향 구동 제어 장치, 브레이크 구동 제어 장치 및 서스펜션 구동 제어 장치를 포함할 수 있다. 한편, 안전 장치 구동 제어 장치는, 안전 벨트 제어를 위한 안전 벨트 구동 제어 장치를 포함할 수 있다.

차량 구동부(250)는, 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함한다.

차량 구동부(250)는, 자율 주행 모듈(260)에서 수신되는 신호에 기초하여, 파워 트레인, 조향 장치 및 브레이크 장치를 제어할 수 있다. 상기 자율 주행 모듈(260)에서 수신되는 신호는 AI 프로세서(261)에서 차량 관련 데이터를 신경망 모델을 적용함으로써, 생성되는 구동 제어 신호일 수 있다. 상기 구동 제어 신호는 통신부(220)를 통해 외부의 AI 장치(20)로부터 수신된 신호일 수도 있다.

센싱부(270)는 차량의 상태를 센싱할 수 있다. 센싱부(270)는, IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서, 페달 포지션 센서 중 적어도 어느 하나를 포함할 수 있다. 한편, IMU(inertial measurement unit) 센서는, 가속도 센서, 자이로 센서, 자기 센서 중 하나 이상을 포함할 수 있다.

AI 프로세서(261)는 적어도 하나의 센서에서 생성되는 센싱 데이터에 신경망 모델을 적용함으로써, 차량의 상태 데이터를 생성할 수 있다. 상기 신경망 모델을 적용하여 생성되는 AI 프로세싱 데이터는, 차량 자세 데이터, 차량 모션 데이터, 차량 요(yaw) 데이터, 차량 롤(roll) 데이터, 차량 피치(pitch) 데이터, 차량 충돌 데이터, 차량 방향 데이터, 차량 각도 데이터, 차량 속도 데이터, 차량 가속도 데이터, 차량 기울기 데이터, 차량 전진/후진 데이터, 차량의 중량 데이터, 배터리 데이터, 연료 데이터, 타이어 공기압 데이터, 차량 내부 온도 데이터, 차량 내부 습도 데이터, 스티어링 휠 회전 각도 데이터, 차량 외부 조도 데이터, 가속 페달에 가해지는 압력 데이터, 브레이크 페달에 가해지는 압력 데이터 등을 포함할 수 있다.

자율 주행 모듈(260)은 상기 AI 프로세싱된 차량의 상태 데이터에 기초하여 주행 제어 신호를 생성할 수 있다.

한편, 차량(10)은 상기 적어도 하나의 센서를 통해 획득된 센싱 데이터를 통신부(22)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 센싱 데이터에 신경망 모델(26)을 적용함으로써, 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다.

위치 데이터 생성부(280)는, 차량(10)의 위치 데이터를 생성할 수 있다. 위치 데이터 생성부(280)는, GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다.

AI 프로세서(261)는 적어도 하나의 위치 데이터 생성장치에서 생성되는 위치 데이터에 신경망 모델을 적용함으로써, 보다 정확한 차량의 위치 데이터를 생성할 수 있다.

일 실시예에 따라, AI 프로세서(261)는 센싱부(270)의 IMU(Inertial Measurement Unit) 및 오브젝트 검출 장치(210)의 카메라 영상 중 적어도 어느 하나에 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 위치 데이터를 보정할 수 있다.

한편, 차량(10)은 위치 데이터 생성부(280)로부터 획득된 위치 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신한 위치 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다.

차량(10)은, 내부 통신 시스템(50)을 포함할 수 있다. 차량(10)에 포함되는 복수의 전자 장치는 내부 통신 시스템(50)을 매개로 신호를 교환할 수 있다. 신호에는 데이터가 포함될 수 있다. 내부 통신 시스템(50)은, 적어도 하나의 통신 프로토콜(예를 들면, CAN, LIN, FlexRay, MOST, 이더넷)을 이용할 수 있다.

자율 주행 모듈(260)은 획득된 데이터에 기초하여, 자율 주행을 위한 패스를 생성하고, 생성된 경로를 따라 주행하기 위한 드라이빙 플랜을 생성 할 수 있다.

자율 주행 모듈(260)는, 적어도 하나의 ADAS(Advanced Driver Assistance System) 기능을 구현할 수 있다. ADAS는, 적응형 크루즈 컨트롤 시스템(ACC : Adaptive Cruise Control), 자동 비상 제동 시스템(AEB : Autonomous Emergency Braking), 전방 충돌 알림 시스템(FCW : Foward Collision Warning), 차선 유지 보조 시스템(LKA : Lane Keeping Assist), 차선 변경 보조 시스템(LCA : Lane Change Assist), 타겟 추종 보조 시스템(TFA : Target Following Assist), 사각 지대 감시 시스템(BSD : Blind Spot Detection), 적응형 하이빔 제어 시스템(HBA : High Beam Assist), 자동 주차 시스템(APS : Auto Parking System), 보행자 충돌 알림 시스템(PD collision warning system), 교통 신호 검출 시스템(TSR : Traffic Sign Recognition), 교통 신호 보조 시스템(TSA : Trafffic Sign Assist), 나이트 비전 시스템(NV : Night Vision), 운전자 상태 모니터링 시스템(DSM : Driver Status Monitoring) 및 교통 정체 지원 시스템(TJA : Traffic Jam Assist) 중 적어도 어느 하나를 구현할 수 있다.

AI 프로세서(261)는, 차량에 구비된 적어도 하나의 센서, 외부 기기로부터 수신된 교통 관련 정보, 상기 차량과 통신하는 다른 차량으로부터 수신된 정보를 신경망 모델에 적용함으로써, 전술한 적어도 하나의 ADAS 기능들을 수행 가능한 제어 신호를 자율 주행 모듈(260)로 전달할 수 있다.

또한, 차량(10)은 ADAS 기능들을 수행하기 위한 적어도 하나의 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신된 데이터에 신경망 모델(260)을 적용함으로써, ADAS 기능을 수행할 수 있는 제어 신호를 차량(10)으로 전달할 수 있다.

자율 주행 모듈(260)는, AI 프로세서(261)를 통해 운전자의 상태 정보 및/또는 차량의 상태 정보를 획득하고, 이에 기초하여 자율 주행 모드에서 수동 주행 모드로의 전환 동작 또는 수동 주행 모드에서 자율 주행 모드로의 전환 동작을 수행할 수 있다.

한편, 차량(10)은 승객 지원을 위한 AI 프로세싱 데이터를 주행 제어에 이용할 수 있다. 예를 들어, 전술한 바와 같이 차량 내부에 구비된 적어도 하나의 센서를 통해 운전자, 탑승자의 상태를 확인할 수 있다.

또는, 차량(10)은 AI 프로세서(261)를 통해 운전자 또는 탑승자의 음성 신호를 인식하고, 음성 처리 동작을 수행하고, 음성 합성 동작을 수행할 수 있다.

이상, 본 발명의 일 실시예에 따른 차량 제어 방법을 구현하기 위하여 필요한 5G 통신 및 상기 5G 통신을 적용하여 AI 프로세싱을 수행하고, AI 프로세싱 결과를 송수신하기 위한 개략적인 내용을 살펴보았다.

이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시 예들을 상세히 설명한다.

DNN(Deep Neural Network) 모델

도 7은 본 발명이 적용될 수 있는 DNN 모델의 예시이다.

심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이루어진 인공신경망(Artificial Neural Network, ANN)이다. 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다.

예를 들어, 사물 식별 모델을 위한 심층 신경망 구조에서는 각 객체가 이미지 기본 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모여진 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들 만으로도 복잡한 데이터를 모델링할 수 있게 해준다.

은닉층의 개수가 많아질수록 인공신경망이　'깊어졌다(deep)'고 부르며, 이렇게　충분히 깊어진 인공신경망을 러닝 모델로 사용하는 머신러닝 패러다임을 바로　딥러닝(Deep Learning)이라고 한다. 그리고, 이러한 딥러닝을 위해 사용하는 충분히 깊은 인공신경망이　심층 신경망(DNN: Deep neural network)이라고 통칭된다.

본 발명에서 DNN의 입력층에 차량(10)의 센싱데이터 또는 자율주행을 위해 요구되는 데이터들이 입력될 수 있고, 이들은 은닉층들을 거치면서, 자율주행에 사용될 수 있는 의미있는 데이터가 출력층을 통해 생성될 수 있다.

본 발명의 명세서 상에서는 이러한 딥러닝 방식을 위해 사용되는 인공신경망을 DNN으로 통칭하고 있으나, 이와 유사한 방식으로 의미있는 데이터를 출력할 수 있다면, 다른 방식의 딥러닝 방식이 적용될 수 있음은 물론이다.

자율주행차량이 보편화됨에 따라, 유휴 자율주행차량은 도로 교통량에 영향을 미치게 될 것이다. 이러한 유휴차량의 증가는 막대한 비용낭비를 발생시킬 수 있다. 또한, 사용자 관점에서 공유차량을 이용하려는 경우, 호출 후 과도한 대기시간이 발생할 수 있다는 문제가 있다.

이에 본 발명은 홈 IOT(Internet of Things)를 통해, 사용자의 상태정보를 추론하고, 외출 의도를 갖는 사용자의 상태정보를 학습/외출 의도 단계(3단계) 설정하며, 이러한 외출 의도 단계에 따라 공유차량을 단계별로 사용자를 중심으로 하는 지리적 범위로 이동시킬 수 있다.또한 홈 IOT를 통해, 사용자의 의상에 맞는 차량 우선 배차, 사용자(예비 탑승객)가 외출을 완료한 경우, 공유차량이 사용자의 집 앞에 대기 및 사용자(예비 탑승객)에게 미리 탑승을 질의할 수 있으며, 사용자(예비 탑승객)의 외출 패턴, 탑승여부를 분석하여 사용자 행동패턴을 학습하고, 차량 호출을 위한 지리적 범위 설정에 반영할 수 있다. 이를 위해, 전술한 AI 기술이 사용될 수 있다.

이를 통해, 본 발명은 잠재적 고객(탑승객)을 유치할 수 있기 때문에 유휴차량의 낭비를 감소할 수 있고, 추가 소득을 창출할 수 있다. 또한, 도로 내의 유휴차량 감소로 교통정체를 방지할 수 있으며, 사용자 관점에서 차량 호출 시의 대기 시간이 줄어들기 때문에 서비스 이용에 대한 만족도를 확보할 수 있다. 더불어 사용자의 의상에 맞는 차량을 안내 함으로써 추가 만족도를 확보할 수 있으며, 홈 IOT를 통해, 예비 사용자의 외출 의도를 실시간으로 분석하고, 준비 상태 단계에 따라 자율주행 유휴차량을 단계적으로 이동 시키는 주행솔루션을 제안하고자 한다.

홈 IOT(Internet of Things)

본 발명이 적용될 수 있는 홈 IOT란, 집의 각종 사물에 센서와 통신 기능을 내장하여 인터넷에 연결하는 기술로서 무선 통신을 통해 각종 사물을 연결하는 기술을 의미한다. 이러한 무선 통신은 전술한 5G 통신 시스템 또는 이와 유사한 방식으로 이루어 질 수 있다. 인터넷으로 연결된 사물들은 데이터를 주고받아 스스로 분석하고 학습한 정보를 사용자에게 제공하거나 사용자가 이를 원격 조정할 수 있다. 이를 위해, AI 장치(20)를 통한 AI 기술이 사용될 수 있다. 여기서 사물이란 가전제품, 모바일 장비, 웨어러블 디바이스 등 다양한 임베디드 시스템이 된다. 사물인터넷에 연결되는 사물들은 자신을 구별할 수 있는 유일한 아이피를 가지고 인터넷으로 연결되어야 하며, 외부 환경으로부터의 데이터 취득을 위해 센서를 내장할 수 있다

수집 정보

본 발명은 홈 IOT를 통해, 사용자의 외출의도를 판단하기 위한 사용자의 상태정보를 수집한다. 이러한 상태정보는 사용자 식별자, 사용자의 위치정보, 사물정보, 사물이용정보를 포함할 수 있다. 사용자의 위치정보는 사용자의 현재 위치를 지시하며, 사물정보는 집의 사물(예를 들어, 화장실, 방, 거실, 현관, 침대사용, 쇼파사용, 신발장, 옷장 등)에 대한 고유의 식별자를 갖을 수 있다. 또한, 사물이용정보란, 사용자가 현재 이용하는 사물에 대한 정보로서, 사물에 부착된 센서를 통해 사용자가 당해 사물을 이용하는지 여부를 판단하여 지시할 수 있다.

사용자 현재상태 추론 방법

AI 장치(20)는 수집된 사용자의 상태정보를 근거로, 사용자의 현재상태를 예측할 수 있다.

실시예 1 : 사용자의 현재상태가 휴식 중으로 예측되는 경우

사용자의 위치정보를 근거로, 사용자는 침실 외의 지역에 위치하고 있으며, 사물이용정보를 근거로, 사용자는 침대를 이용하지 않다고 판단되는 경우;

실시예 2 : 사용자의 현재상태가 샤워 중으로 예측되는 경우

사용자의 위치정보를 근거로, 사용자가 화장실에 위치하고 있으며, 사물이용정보를 근거로 화장실의 불이 켜져 있거나, 샤워기를 사용하고 있다고 판단되는 경우;

상기 실시예 이외의 실시예도 정의될 수 있으며, 당해 실시예 1 및 2에 대해서도 필요에 의해 정의가 새로될 수 있다.

외출의도 단계 판단 설정방법

사용자의 외출의도는 사용자 현재상태에 따라 단계별로 정의될 수 있다. 기설정된 사용자의 외출을 위한 행동순서와 사용자의 현재상태가 대응되는 경우, 외출의도 단계는 설정될 수 있다. 외출의도 단계는 예를 들어, 다음과 같이 정의될 수 있다.

(1) 관심단계

사용자의 외출의도 단계 중 가장 낮은 단계로서, 사용자의 현재상태가 자고있지 않는 상태인 경우를 의미한다. 예를 들어, 사용자의 현재상태가 휴식 중으로 예측되고, 사용자가 기등록한 스케줄이 있는 경우, 스케줄 정보에 따라 예상될 수 있는 외출 시간에서 사용자 행동분석을 통해, 학습된 외출준비시간(예를 들어, 1시간) 이전부터 외출의도 단계는 관심단계로 설정될 수 있다.

(2) 진행단계

관심단계에서 사용자의 외출의도와 관련된 상태정보가 추가 감지된 경우를 의미한다. 예를 들어, 사용자의 상태정보를 통해, 현재상태가 샤워 중 또는 탈의 중으로 판단되는 경우, 또는 사용자의 위치정보를 통해, 사용자가 현관에 위치하고 있다고 판단되는 경우를 의미한다.

사용자의 외출의도와 관련된 상태정보의 발생 수가 기 설정됨에 따라, 진행단계는 상태정보 발생 수가 완료됨으로써 설정될 수 있다. 예를 들어, 사워 중 상태정보 발생(1/3 pass), 탈의 중 상태정보 발생(2/3 pass), 현관 위치 상태정보 발생(3/3 pass)이 완료되는 경우, 진행단계가 설정될 수 있다. 추가적으로 사용자 상태정보 발생의 순서가 고려될 수도 있다.

(3) 확정단계

사용자의 외출이 확정된 단계로서, 사용자의 현재상태가 외출로 판단되는 경우, 설정될 수 있다.

상기 단계 이외의 단계도 정의될 수 있으며, 당해 단계들에 대해서도 필요에 의해 정의가 새로될 수 있다.

외출의도 단계에 따른 차량 배차/이동 방법

사용자의 행동에 따른 상태정보는 홈 IOT를 통해, 모니터링되고, 수집되어 AI 장치(20)로 전송된다. AI 장치(20)는 수집된 사용정보를 근거로 사용자의 외출의도 단계를 판단한다.

사용자의 외출의도 단계가 관심단계로 설정된 경우, 적정시간 이내 사용자에게 제공될 수 있는 유휴차량들에게 배차요청이 전송된다. 적정시간이란, 사용자가 외출까지 걸리는 시간, 사용자 외출의도 행동에 대한 패턴 학습 등을 통해 가변적일 수 있다.

배차요청을 수신한 차량(10)은 사용자와 차량(10) 사이의 이동거리를 고려하여, 사용자의 외출의도 단계에 따라 지리적 범위를 설정한다. 이러한 지리적 범위의 설정은 AI 프로세서(261)에서 사용자의 탑승 기록을 학습하여 설정된다. 최초 배차요청을 받은 유휴차량은 자신의 위치를 제1 지리적 범위로 설정할 수 있다.

예를 들어, 사용자의 외출의도 단계가 진행단계의 상태정보 발생에 돌입한 경우, 차량(10)은 지리적 범위를 제1 지리적 범위에서 제2 지리적 범위로 재설정하고, 제2 지리적 범위에 해당되는 위치로 이동할 수 있다. 진행단계의 설정이 완료된 경우, 차량(10)은 제2 지리적 범위에서 제3 지리적 범위로 재설정되고, 제3 지리적 범위에 해당되는 위치로 이동할 수 있다. 지리적 범위의 단계별 재설정 및 재설정된 지리적 범위로 차량(10)은 단계적으로 이동함으로써 차량(10)은 복수의 사용자를 대상으로 대기될 수 있으며, 점진적으로 특정 사용자로의 접근을 통해, 효율적인 배차가 수행될 수 있다.

사용자의 외출의도 단계가 확정단계로 설정되는 경우, 차량(10)은 사용자의 단말등을 통해 사용자에게 차량(10)이 대기상태에 있음을 안내하고, 탑승여부를 질의할 수 있다. 이 경우, AI 장치(20)는 탈의 중 상태정보를 통해, 사용자가 선택한 의상정보를 바탕으로 의상에 맞는 차량(10)이 우선 배차되도록 추가 안내 할 수 있다. 예를 들어, 정장를 입은 사용자에게는 고급 세단 차량의 배차되도록 추가 안내될 수 있고, 캐쥬얼을 입은 사용자에게는 일반 차량이 배차되도록 추가 안내될 수 있다. 이를 위해, 서버는 차량(10)의 차종에 대한 정보를 관리할 수 있으며, 상기 차량의 우선순위값을 부여하여, 가장 높은 우선순위를 가진 차량이 배차되도록 할 수 있다.

사용자가 차량(10)을 지정하여, 탑승을 수락한 경우, 서버는 탑승 위치,차량 정보, 요금, 목적지까지의 거리 및 시간등을 안내할 수 있다.

만일, 사용자가 탑승을 거절한 경우, 차량(10)은 다른 사용자를 위해 유휴차량으로 분류되며, 대기한다.

이러한 사용자의 행동패턴(예를 들어, 상태정보, 탑승 수락정보)은 AI 서버 및 AI 프로세서(261)로 전송되어 사용자의 외출의도 패턴 및 차량(10)의 지리적 범위 설정 기준에 대한 학습을 위해 입력값으로 사용될 수 있다.

도 8은 본 발명이 적용될 수 있는 일 실시예이다.

AI 장치(20)가 포함된 서버는 홈 IOT를 통해, 획득한 사용자의 상태정보를 이용하여, 다음과 같은 동작을 수행할 수 있다.

서버는 사용자 상태정보를 통해, 식별된 사용자의 이용정보를 획득한다(S810). 이용정보는 AI 장치(20)가 학습한 사용자의 예상 준비시간, 사용자 스케쥴 정보, 사용자 선호차량 정보가 포함될 수 있다. 이러한 이용정보는 서버내 메모리 상에 저장되어 관리되거나, 홈 서버로부터 송신될 수 있다. 당해 이용정보는 본 발명의 실시예에서 최초 한번만 수행되며, 차량(10)으로부터 제공되는 주행 서비스가 완료되면, 차량(10)으로부터 수신되어 갱신될 수 있다.

서버는 홈 IOT를 이용하여, 사용자의 상태정보를 획득한다(S820).

AI 장치(20)는 획득된 사용자의 상태정보에 근거하여, 사용자의 현재상태를 추론한다(S830).

획득된 사용자의 현재상태를 기존의 현재상태와 비교하여, 변경 발생여부를 판단한다(S840). 만일, 변경이 발생되지 않았다면, 홈 IOT를 통해, 사용자 상태정보 획득 단계부터 다시 수행되며, 변경이 발생한 경우, 사용자 현재상태에 따라, 외출의도 단계가 설정된다.

전술한 설정방법에 따라, 사용자 현재상태가 외출의도 관심단계로 설정될 수 있는 경우, 사용자 외출의도는 관심단계로 설정된다(S850).

서버는 연결된 유휴차량에게 상기 사용자를 위한 배차 요청을 실시한다(S851). 이 경우, 차량(10)은 전술한 제1 지리적 범위로 설정될 수 있다.

사용자 상태정보는 획득된 사용자 상태정보로, 갱신된다(S852).

만일, 사용자 현재상태가 외출의도 진행단계로 설정될 수 있는 경우, 사용자 외출의도는 진행단계로 설정된다(S860).

서버는 당해 차량(10)에게 제2 지리적 범위로의 이동을 요청할 수 있다(S861).

또한, 당해 상태정보로 기존의 사용자 상태정보는 갱신된다(S852).

전술한 설정방법에 따라, 사용자 현재상태가 외출의도 확정단계로 설정될 수 있는 경우, 사용자 외출의도는 확정단계로 설정된다(S870).

서버는 당해 차량(10)에게 제3 지리적 범위로의 이동을 요청한다(S871).

그리고 사용자의 단말등을 통해, 사용자에게 배정된 차량(10)으로 탑승할지 여부를 문의할 수 있다(S872). 사용자가 탑승을 설정하면, 서버는 차량(10)에게 배차완료 메시지를 전송할 수 있다.

도 9는 본 발명이 적용될 수 있는 일 실시예이다.

당해 서버는 통신모듈, 프로세서 및 메모리를 포함할 수 있으며, 프로세서는 전술한 AI 장치(20) 기능을 수행하거나, AI 장치(20)를 포함할 수 있다.

1. 프로세서는 통신모듈을 통해 홈 IOT가 모니터링한 사용자의 상태정보를 획득한다.

2. 프로세서는 상태정보 내의 사용자 식별자를 통해, 메모리 내에서 사용자 이용정보를 획득한다.

3. 프로세서는 AI 기술을 이용하여, 사용자 상태정보 및 이용정보의 특징값을 입력값으로하는 딥러닝 모델을 통해, 사용자의 현재상태를 추론할 수 있다.

4. 추론된 사용자 현재상태에 근거하여, 사용자의 외출의도는 단계별로 설정될 수 있다.

5. 설정된 외출의도 단계에 따라, 서버는 사용자에게 배차될 수 있는 차량(10)에게 배차요청 또는 전술한 지리적 범위로의 이동을 요청할 수 있다.

6. 만일, 사용자의 외출의도가 확정단계, 즉, 마지막 단계로 설정되는 경우, 프로세서는 통신모듈을 통해, 사용자에게 탑승여부를 문의한다,

7. 사용자는 탑승문의에 대한 응답메시지를 전송한다,

8. 프로세서는 사용자의 응답메시지에 따라 이용정보를 갱신할 수 있다.

본 발명이 적용될 수 있는 장치 일반

도 10를 참조하면 제안하는 실시 예에 따른 서버(X200)는, 통신모듈(X210), 프로세서(X220) 및 메모리(X230)를 포함할 수 있다. 통신모듈(X210)은 무선 주파수(radio frequency, RF) 유닛으로 칭해지기도 한다. 통신모듈(X210)은 외부 장치로 각종 신호, 데이터 및 정보를 전송하고, 외부 장치로 각종 신호, 데이터 및 정보를 수신하도록 구성될 수 있다. 서버(X200)는 외부 장치와 유선 및/또는 무선으로 연결될 수 있다. 통신모듈(X210)은 전송부와 수신부로 분리되어 구현될 수도 있다. 프로세서(X220)는 서버(X200) 전반의 동작을 제어할 수 있으며, 서버(X200)가 외부 장치와 송수신할 정보 등을 연산 처리하는 기능을 수행하도록 구성될 수 있다. 또한, 프로세서(X220)는 본 발명에서 제안하는 서버 동작을 수행하도록 구성될 수 있다. 프로세서(X220)은 본 발명의 제안에 따라 데이터 혹은 메시지를 UE 혹은 다른 차량, 다른 서버에 전송하도록 통신모듈(X110)을 제어할 수 있다. 메모리(X230)는 연산 처리된 정보 등을 소정시간 동안 저장할 수 있으며, 버퍼 등의 구성요소로 대체될 수 있다.

또한, 위와 같은 단말 장치(X100) 및 서버(X200)의 구체적인 구성은, 전술한 본 발명의 다양한 실시예에서 설명한 사항들이 독립적으로 적용되거나 또는 2 이상의 실시예가 동시에 적용되도록 구현될 수 있으며, 중복되는 내용은 명확성을 위하여 설명을 생략한다.

본 발명이 적용될 수 있는 실시예

실시예 1 :

자율주행시스템(Automated Vehicle & Highway Systems)에서 서버의 차량을 배차하는 방법에 있어서, 홈 IOT(Internet of Things)를 이용하여, 사용자의 상태정보를 획득하는 단계; 상기 상태정보로부터 특징값을 추출하는 단계; 상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 사용자의 행동정보를 판단하는 단계; 상기 행동정보에 근거하여, 상기 사용자의 외출을 위한 행동순서와 관련된 외출단계를 설정하는 단계; 및 상기 외출단계에 근거하여, 상기 차량에 상기 사용자가 상기 차량을 이용하기 위한, 배차요청 메시지를 전송하는 단계; 를 포함하며, 상기 배차요청 메시지는 상기 차량을 이동시키기 위한 이동요청 메시지를 포함하는 배차방법.

실시예 2 :

실시예 1에 있어서, 상기 상태정보는 상기 사용자의 위치정보, 상기 사용자가 위치하는 공간의 사물정보 및 상기 사용자가 상기 사물을 이용하는지 여부를 지시하는 정보를 포함하며, 홈 IOT(Internet of Things)를 통해 주기적으로 생성되는 배차방법,

실시예 3 :

실시예 1에 있어서, 상기 외출단계는 상기 사용자가 외출준비를 시작하기 전임을 지시하는 제1 단계, 상기 외출준비가 진행되고 있음을 지시하는 제2 단계 또는 상기 외출준비가 완료되었음을 지시하는 제3 단계를 포함하며, 상기 외출준비는 상기 사용자가 설정한 스케줄링 정보에 근거하는 배차방법.

실시예 4 :

실시예 3에 있어서, 상기 이동요청 메시지는 상기 외출단계에 근거하여, 상기 사용자의 위치지점으로부터 일정거리 범위 이내의 지점으로 이동을 지시하는 배차방법.

실시예 5 :

실시예 3에 있어서, 상기 제2 단계는 상기 사용자가 하나 이상의 상기 행동순서에 관련된 행동을 수행하였다고 판단되는 경우에 설정되는 배차방법.

실시예 6 :

실시예 4에 있어서, 상기 외출단계가 갱신되는 경우, 상기 일정거리 범위는 이전 외출단계에서 지시된 일정거리 범위보다 상기 사용자의 위치지점으로부터 가까운 일정거리 범위를 지시하는 배차방법.

실시예 7 :

실시예 3에 있어서, 상기 외출단계를 상기 제3 단계로 설정하는 경우, 상기 사용자의 단말로 상기 차량의 탑승여부 문의 메시지를 전송하는 단계; 및 상기 탑승여부 문의 메시지에 대한 응답 메시지를 수신하는 단계;를 더 포함하며, 상기 응답 메시지에 근거하여, 상기 사용자의 이용정보를 갱신하는 배차방법.

실시예 8 :

실시예 7에 있어서, 상기 응답 메시지가 상기 사용자의 탑승 거부를 지시하는 경우, 상기 차량을 유휴차량으로 설정하는 배차방법.

실시예 9 :

실시예 7에 있어서, 상기 응답 메시지가 상기 사용자의 탑승 수락을 지시하는 경우, 상기 차량의 탑승위치, 상기 차량의 정보, 상기 차량의 이용요금, 상기 사용자의 목적지까지의 이동거리 또는 소요시간에 대한 정보를 상기 단말로 전송하는 단계; 를 더 포함하는 배차방법.

실시예 10 :

실시예 1에 있어서, 상기 상태정보를 근거로, 상기 DNN 모델을 이용하여, 사용자의 의상정보를 판단하는 단계; 및 상기 의상정보와 관련된 상기 차량의 우선순위값을 설정하는 단계; 를 더 포함하며, 상기 우선순위값을 설정하는 단계는 상기 사용자의 의상이 격식있는(formal) 의상일수록, 높은 등급의 차종인 차량에게 높은 우선순위값을 설정하는 배차방법.

실시예 11 :

실시예 5에 있어서, 상기 이동요청 메시지는 상기 사용자가 상기 행동순서와 관련된 행동을 수행하는 시간에 근거하여, 상기 차량의 이동속도를 조절하기 위한 메시지를 포함하는 배차방법.

실시예 12 :

실시예 6에 있어서, 상기 일정거리 범위는 상기 외출단계와 관련된 상기 행동정보를 이용하여 갱신될 수 있는 배차방법.

실시예 13 :

자율주행시스템(Automated Vehicle & Highway Systems)에서 차량을 배차하는 방법을 제공하는 서버에 있어서, 통신모듈(communication module); 메모리; 프로세서를 포함하고, 상기 프로세서는 홈 IOT(Internet of Things)를 이용하여, 사용자의 상태정보를 획득하고, 상기 상태정보로부터 특징값을 추출하며, 상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 사용자의 행동정보를 판단하고, 상기 행동정보에 근거하여, 상기 사용자의 외출을 위한 행동순서와 관련된 외출단계를 설정하며, 상기 외출단계에 근거하여, 상기 차량에 상기 사용자가 상기 차량을 이용하기 위한, 배차요청 메시지를 상기 통신모듈을 통해 전송하고, 상기 배차요청 메시지는 상기 차량을 이동시키기 위한 이동요청 메시지를 포함하는 서버.

실시예 14 :

실시예 13에 있어서, 상기 상태정보는 상기 사용자의 위치정보, 상기 사용자가 위치하는 공간의 사물정보 및 상기 사용자가 상기 사물을 이용하는지 여부를 지시하는 정보를 포함하며, 홈 IOT(Internet of Things)를 통해 주기적으로 생성되는 서버,

실시예 15 :

실시예 13에 있어서, 상기 외출단계는 상기 사용자가 외출준비를 시작하기 전임을 지시하는 제1 단계, 상기 외출준비가 진행되고 있음을 지시하는 제2 단계 또는 상기 외출준비가 완료되었음을 지시하는 제3 단계를 포함하며, 상기 외출준비는 상기 사용자가 설정한 스케줄링 정보에 근거하는 서버.

실시예 16 :

실시예 15에 있어서, 상기 이동요청 메시지는 상기 외출단계에 근거하여, 상기 사용자의 위치지점으로부터 일정거리 범위 이내의 지점으로 이동을 지시하는 서버.

실시예 17 :

실시예 15에 있어서, 상기 제2 단계는 상기 사용자가 하나 이상의 상기 행동순서에 관련된 행동을 수행하였다고 판단되는 경우에 설정되는 서버.

실시예 18

실시예 16에 있어서, 상기 외출단계가 갱신되는 경우, 상기 일정거리 범위는 이전 외출단계에서 지시된 일정거리 범위보다 상기 사용자의 위치지점으로부터 가까운 일정거리 범위를 지시하는 서버.

실시예 19 :

실시예 15에 있어서, 상기 프로세서는 상기 통신모듈을 통해, 상기 사용자의 단말로 상기 차량의 탑승여부 문의 메시지를 전송하고, 상기 탑승여부 문의 메시지에 대한 응답 메시지를 수신하며, 상기 응답 메시지에 근거하여, 상기 메모리에서 관리되는 상기 사용자의 이용정보를 갱신하는 서버.

실시예 20 :

실시예 19에 있어서, 상기 프로세서는 상기 응답 메시지가 상기 사용자의 탑승 거부를 지시하는 경우, 상기 차량을 유휴차량으로 설정하는 서버.

실시예 21 :

실시예 19에 있어서, 상기 프로세서는 상기 응답 메시지가 상기 사용자의 탑승 수락을 지시하는 경우, 상기 통신모듈을 통해, 상기 차량의 탑승위치, 상기 차량의 정보, 상기 차량의 이용요금, 상기 사용자의 목적지까지의 이동거리 또는 소요시간에 대한 정보를 상기 단말로 전송하는 서버.

실시예 22 :

실시예 13에 있어서, 상기 프로세서는 상기 상태정보를 근거로, 상기 DNN 모델을 이용하여, 사용자의 의상정보를 판단하고, 상기 의상정보와 관련된 상기 차량의 우선순위값을 설정하며, 상기 사용자의 의상이 격식있는(formal) 의상일수록, 높은 등급의 차종인 차량에게 높은 우선순위값을 설정하는 서버.

실시예 23 :

실시예 17에 있어서, 상기 이동요청 메시지는 상기 사용자가 상기 행동순서와 관련된 행동을 수행하는 시간에 근거하여, 상기 차량의 이동속도를 조절하기 위한 메시지를 포함하는 배차방법.

실시예 24 :

실시예 18에 있어서, 상기 일정거리 범위는 상기 외출단계와 관련된 상기 행동정보를 이용하여 갱신될 수 있는 배차방법.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

본 발명은 5G(5 generation) 시스템을 기반으로 자율주행시스템(Automated Vehicle & Highway Systems)에 적용되는 예를 중심으로 설명하였으나, 이외에도 다양한 무선 통신 시스템 및 자율주행장치에 적용하는 것이 가능하다.

Claims

자율주행시스템(Automated Vehicle & Highway Systems)에서 서버의 차량을 배차하는 방법에 있어서,
홈 IOT(Internet of Things)를 이용하여, 사용자의 상태정보를 획득하는 단계;
상기 상태정보로부터 특징값을 추출하는 단계;
상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 사용자의 행동정보를 판단하는 단계;
상기 행동정보에 근거하여, 상기 사용자의 외출을 위한 행동순서와 관련된 외출단계를 설정하는 단계; 및
상기 외출단계에 근거하여, 상기 차량에 상기 사용자가 상기 차량을 이용하기 위한, 배차요청 메시지를 전송하는 단계;
를 포함하며,
상기 배차요청 메시지는 상기 차량을 이동시키기 위한 이동요청 메시지를 포함하는 배차방법.
제1항에 있어서,
상기 상태정보는 상기 사용자의 위치정보, 상기 사용자가 위치하는 공간의 사물정보 및 상기 사용자가 상기 사물을 이용하는지 여부를 지시하는 정보를 포함하며, 홈 IOT(Internet of Things)를 통해 주기적으로 생성되는 배차방법,
제1항에 있어서,
상기 외출단계는
상기 사용자가 외출준비를 시작하기 전임을 지시하는 제1 단계, 상기 외출준비가 진행되고 있음을 지시하는 제2 단계 또는 상기 외출준비가 완료되었음을 지시하는 제3 단계를 포함하며,
상기 외출준비는 상기 사용자가 설정한 스케줄링 정보에 근거하는 배차방법.
제3항에 있어서,
상기 이동요청 메시지는
상기 외출단계에 근거하여, 상기 사용자의 위치지점으로부터 일정거리 범위 이내의 지점으로 이동을 지시하는 배차방법.
제3항에 있어서,
상기 제2 단계는
상기 사용자가 하나 이상의 상기 행동순서에 관련된 행동을 수행하였다고 판단되는 경우에 설정되는 배차방법.
제4항에 있어서,
상기 외출단계가 갱신되는 경우,
상기 일정거리 범위는 이전 외출단계에서 지시된 일정거리 범위보다 상기 사용자의 위치지점으로부터 가까운 일정거리 범위를 지시하는 배차방법.
제3항에 있어서,
상기 외출단계를 상기 제3 단계로 설정하는 경우,
상기 사용자의 단말로 상기 차량의 탑승여부 문의 메시지를 전송하는 단계; 및
상기 탑승여부 문의 메시지에 대한 응답 메시지를 수신하는 단계;를 더 포함하며,
상기 응답 메시지에 근거하여, 상기 사용자의 이용정보를 갱신하는 배차방법.
제7항에 있어서,
상기 응답 메시지가 상기 사용자의 탑승 거부를 지시하는 경우,
상기 차량을 유휴차량으로 설정하는 배차방법.
제7항에 있어서,
상기 응답 메시지가 상기 사용자의 탑승 수락을 지시하는 경우,
상기 차량의 탑승위치, 상기 차량의 정보, 상기 차량의 이용요금, 상기 사용자의 목적지까지의 이동거리 또는 소요시간에 대한 정보를 상기 단말로 전송하는 단계;
를 더 포함하는 배차방법.
제1항에 있어서,
상기 상태정보를 근거로, 상기 DNN 모델을 이용하여, 사용자의 의상정보를 판단하는 단계; 및
상기 의상정보와 관련된 상기 차량의 우선순위값을 설정하는 단계;
를 더 포함하며,
상기 우선순위값을 설정하는 단계는
상기 사용자의 의상이 격식있는(formal) 의상일수록, 높은 등급의 차종인 차량에게 높은 우선순위값을 설정하는 배차방법.
제5항에 있어서,
상기 이동요청 메시지는
상기 사용자가 상기 행동순서와 관련된 행동을 수행하는 시간에 근거하여, 상기 차량의 이동속도를 조절하기 위한 메시지를 포함하는 배차방법.
제6항에 있어서,
상기 일정거리 범위는
상기 외출단계와 관련된 상기 행동정보를 이용하여 갱신될 수 있는 배차방법.
자율주행시스템(Automated Vehicle & Highway Systems)에서 차량을 배차하는 방법을 제공하는 서버에 있어서,
통신모듈(communication module);
메모리;
프로세서를 포함하고,
상기 프로세서는
홈 IOT(Internet of Things)를 이용하여, 사용자의 상태정보를 획득하고,
상기 상태정보로부터 특징값을 추출하며,
상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 사용자의 행동정보를 판단하고,
상기 행동정보에 근거하여, 상기 사용자의 외출을 위한 행동순서와 관련된 외출단계를 설정하며,
상기 외출단계에 근거하여, 상기 차량에 상기 사용자가 상기 차량을 이용하기 위한, 배차요청 메시지를 상기 통신모듈을 통해 전송하고,
상기 배차요청 메시지는 상기 차량을 이동시키기 위한 이동요청 메시지를 포함하는 서버.
제13항에 있어서,
상기 상태정보는 상기 사용자의 위치정보, 상기 사용자가 위치하는 공간의 사물정보 및 상기 사용자가 상기 사물을 이용하는지 여부를 지시하는 정보를 포함하며, 홈 IOT(Internet of Things)를 통해 주기적으로 생성되는 서버,
제13항에 있어서,
상기 외출단계는
상기 사용자가 외출준비를 시작하기 전임을 지시하는 제1 단계, 상기 외출준비가 진행되고 있음을 지시하는 제2 단계 또는 상기 외출준비가 완료되었음을 지시하는 제3 단계를 포함하며,
상기 외출준비는 상기 사용자가 설정한 스케줄링 정보에 근거하는 서버.
제15항에 있어서,
상기 이동요청 메시지는
상기 외출단계에 근거하여, 상기 사용자의 위치지점으로부터 일정거리 범위 이내의 지점으로 이동을 지시하는 서버.
제15항에 있어서,
상기 제2 단계는
상기 사용자가 하나 이상의 상기 행동순서에 관련된 행동을 수행하였다고 판단되는 경우에 설정되는 서버.
제16항에 있어서,
상기 외출단계가 갱신되는 경우,
상기 일정거리 범위는 이전 외출단계에서 지시된 일정거리 범위보다 상기 사용자의 위치지점으로부터 가까운 일정거리 범위를 지시하는 서버.
제15항에 있어서,
상기 프로세서는
상기 통신모듈을 통해, 상기 사용자의 단말로 상기 차량의 탑승여부 문의 메시지를 전송하고, 상기 탑승여부 문의 메시지에 대한 응답 메시지를 수신하며,
상기 응답 메시지에 근거하여, 상기 메모리에서 관리되는 상기 사용자의 이용정보를 갱신하는 서버.
제19항에 있어서,
상기 프로세서는
상기 응답 메시지가 상기 사용자의 탑승 거부를 지시하는 경우,
상기 차량을 유휴차량으로 설정하는 서버.