KR20190102147A - 사용자 근접 검출 장치 및 방법 - Google Patents

사용자 근접 검출 장치 및 방법 Download PDF

Info

Publication number
KR20190102147A
KR20190102147A KR1020190099397A KR20190099397A KR20190102147A KR 20190102147 A KR20190102147 A KR 20190102147A KR 1020190099397 A KR1020190099397 A KR 1020190099397A KR 20190099397 A KR20190099397 A KR 20190099397A KR 20190102147 A KR20190102147 A KR 20190102147A
Authority
KR
South Korea
Prior art keywords
data
proximity
frequency band
signal
target frequency
Prior art date
Application number
KR1020190099397A
Other languages
English (en)
Inventor
이계철
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190099397A priority Critical patent/KR20190102147A/ko
Publication of KR20190102147A publication Critical patent/KR20190102147A/ko
Priority to US16/562,086 priority patent/US11126834B2/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/31—Charging columns specially adapted for electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/04—Systems determining presence of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/005—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission adapting radio receivers, transmitters andtransceivers for operation on two or more bands, i.e. frequency ranges
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H04B1/7136—Arrangements for generation of hop frequencies, e.g. using a bank of frequency sources, using continuous tuning or using a transform
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/30—Resource management for broadcast services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예는, 대상 주파수 대역의 신호를 수신하는 수신부; 상기 수신부를 통하여 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하는 추론용 데이터 생성부; 및 상기 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단하는 근접 검출부를 포함하고, 상기 대상 주파수 대역은 방송 주파수 대역 중에서 선택되는, 사용자 근접 검출 장치이다.
본 발명의 일 실시예에 따른 자율주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR), 5G 서비스와 관련된 장치 등과 연계 혹은 융복합될 수 있다.

Description

사용자 근접 검출 장치 및 방법{APPARATUS AND METHOD FOR DETECTING PROMINITY OF USER}
본 발명은 인체 근접 감지 기술, 특히, 방송 신호의 간섭 현상을 이용하여 인체의 근접 여부를 감지할 수 있는 사용자 근접 검출 장치 및 방법에 관한 것이다.
소정의 영역 내에 사람이 있는지 여부를 감지하여 각종 기기를 제어하는 기술은 다양한 분야에서 활용되고 있다. 이와 같은 인체 근접 감지 기술은 가정 내의 가전 기기 제어 뿐만 아니라 공공 시설물에 설치된 기기의 제어에 이르기까지 다양하게 활용되어 사용자로 하여금 보다 편리하게 기기를 이용할 수 있도록 한다.
상술한 인체의 근접 여부를 감지하는 종래 방법 중 하나로, 한국공개특허 제2018-0069645호에 개시된 바와 같이 PIR(Passive Infrared Rays) 센서를 이용하여 적외선 복사체인 인체가 감지 영역에 진출입할때 마다 변화하는 전압을 인가하고, 인가된 전압값을 증폭함으로써 인체의 근접 여부를 감지하는 방법이 있다.
그러나, 상술한 한국공개특허 제2018-0069645호에 개시된 종래의 인체 감지 장치에 의하면, 인체의 움직임이 없는 경우 PIR 센서의 출력 전압이 변화하지 않으므로 사용자가 정지해 있는 동안에는 근접 여부를 인식할 수 없다.
이러한 이유로 인하여 사용자가 움직이지 않는 동안에는 소정의 인체 감지 영역 내에 있어도 사용자의 존재 여부를 인식할 수 없는 문제점이 존재한다.
따라서, 사용자의 움직임 여부와 무관하게 인체의 근접 여부를 감지할 수 있는 기술이 요구되고 있다.
한국공개특허 제2018-0069645호
본 발명의 실시예는, 상술한 문제점의 원인이었던 적외선 복사체의 움직임에 대응하여 변화하는 출력 전압을 증폭하는 방식이 아닌 인체의 근접에 따른 방송 신호 간섭 현상을 이용하여 인체 근접 여부를 인식하는 방식에 따른 사용자 근접 검출 장치 및 방법을 제공하는데 목적이 있다.
또한, 본 발명의 실시예는, 인체와 사물의 근접 여부를 구분하여 감지할 수 있는 사용자 근접 검출 장치 및 방법을 제공하는데 목적이 있다.
본 발명의 실시예는, 인체의 근접에 따른 방송 신호 간섭 현상을 이용하여 인체 근접 여부를 인식함에 따라, 별도의 송신기를 설치하지 않고도 방송 신호를 수신하는 수신기를 이용하여 사용자가 소정의 영역 내에 존재하는 지 여부를 감지할 수 있는 사용자 근접 검출 장치 및 방법을 제공하는데 목적이 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 달성하기 위하여 본 발명의 실시예에 따른 사용자 근접 검출 장치는, 방송 주파수 대역의 신호를 수신하고, 수신된 신호의 세기를 반영한 데이터를 기계학습 모델에 입력하여 인체의 근접 여부를 판단할 수 있다.
구체적으로, 본 발명의 실시예는, 대상 주파수 대역의 신호를 수신하는 수신부와, 수신부를 통하여 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하는 추론용 데이터 생성부와, 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단하는 근접 검출부를 포함하고, 대상 주파수 대역은 방송 주파수 대역 중에서 선택되는, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값에 기초하여 대상 주파수 대역을 선정하는 제1 대상 주파수 선정부를 더 포함하는, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 제1 대상 주파수 선정부가, 지역 정보를 획득함에 따라 지역 정보에 대응하는 지역 방송 주파수 대역을 포함하는 호핑용 주파수 리스트를 생성하고, 생성된 호핑용 주파수 리스트에 기초하여 주파수 호핑을 수행하는, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값 및 사용자 근접 여부의 상관 관계에 기초하여 대상 주파수 대역을 선정하는 제2 대상 주파수 선정부를 더 포함하는, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 추론용 데이터가, 수신부를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터인, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 수신부가, 제1 대상 주파수 대역 및 제2 대상 주파수 대역의 적어도 2개 이상의 대상 주파수 대역을 포함하는 신호를 수신하고, 추론용 데이터는, 제1 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제1 이미지 데이터 및 제2 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제2 이미지 데이터를 동일 시간축을 기준으로 연결한 데이터인, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 인체 근접 추론 기계학습 모델이, 인체 근접 환경 하에서 수신부를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터 및 근접 레이블을 포함하는 데이터 집합인 제1 학습용 데이터 및 인체 비근접 환경 하에서 수신부를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색상 값으로 변환한 이미지 데이터 및 비근접 레이블을 포함하는 데이터 집합인 제2 학습용 데이터에 의해 학습되어 추론용 데이터가 입력되면 인체의 근접 여부를 추론하는 모델인, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 인체 근접 추론 기계학습 모델이, 다층 퍼셉트론 신경망 모델인, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 통신부를 더 포함하고, 근접 검출부는, 인체가 근접한 경우로 판단함에 따라 외부 장치를 활성화하는 제어 신호를 생성하며, 생성한 제어 신호를 통신부를 통하여 송신하는, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 통신부를 더 포함하고, 통신부는, 자율 주행 모드로 운행하기 위해 연결된 5G 네트워크의 하향 링크 그랜트에 기초하여 지역 정보를 수신하는, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 대상 주파수 대역의 신호를 수신하는 제1 단계와, 제1 단계에서 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하는 제2 단계와, 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단하는 제3 단계를 포함하고, 대상 주파수 대역은 방송 주파수 대역 중에서 선택되는, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값에 기초하여 대상 주파수 대역을 선정하는 주파수 대역 선정 단계를 더 포함하는, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 주파수 호핑이, 지역 방송 주파수 대역을 포함하는 호핑용 주파수 리스트에 기초하여 수행되는, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값 및 사용자 근접 여부의 상관 관계에 기초하여 대상 주파수 대역을 선정하는 단계를 더 포함하는, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 추론용 데이터가, 제1 단계에서 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터인, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 대상 주파수 대역이, 제1 대상 주파수 대역 및 제2 대상 주파수 대역의 적어도 2개 이상의 주파수 대역을 포함하고, 추론용 데이터는, 제1 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제1 이미지 데이터 및 제2 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제2 이미지 데이터를 동일 시간축을 기준으로 연결한 데이터인, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 인체 근접 추론 기계학습 모델이, 인체 근접 환경 하에서 제1 단계에서 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터 및 근접 레이블을 포함하는 데이터 집합인 제1 학습용 데이터 및 인체 비근접 환경 하에서 제1 단계에서 수신된 신호의 세기의 값을 미리 맵핑된 색상 값으로 변환한 이미지 데이터 및 비근접 레이블을 포함하는 데이터 집합인 제2 학습용 데이터에 의해 학습되어 추론용 데이터가 입력되면 인체의 근접 여부를 추론하는 모델인, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 인체 근접 추론 기계학습 모델은, 다층 퍼셉트론 신경망 모델인, 사용자 근접 검출 방법일 수 있다.
본 발명의 실시예는, 인체가 근접한 경우로 판단함에 따라 외부 장치를 활성화하는 제어 신호를 생성하며, 생성한 제어 신호를 송신하는 단계를 더 포함하는, 사용자 근접 검출 장치일 수 있다.
본 발명의 실시예는, 사용자 근접을 검출하는 프로그램을 기록한 컴퓨터 판독 가능한 기록매체로서, 대상 주파수 대역의 신호를 수신하는 제1 수단과, 제1 단계에서 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하는 제2 수단과, 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단하는 제3 수단을 포함하고, 대상 주파수 대역은 방송 주파수 대역 중에서 선택되는, 프로그램을 기록한 컴퓨터 판독 가능한 기록매체일 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예에 따르면, 사물과 인체가 각각 상이한 공진 주파수 특성을 가지고 있는 점을 이용하여 인체의 근접에 따른 방송 신호 간섭을 감지함으로써, 사물과 인체 간의 차이를 구분하고 인체의 근접을 정확하게 감지할 수 있는 효과가 있다.
본 발명의 실시예에 따르면, 지역 별로 항시 사용할 수 있는 방송 신호를 인체 감지용 신호로 사용함으로써, 별도의 송신기를 구비하지 않아도 방송 신호를 수신할 수 있는 수신기 만으로 인체의 접근을 정확히 감지할 수 있는 효과가 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 명확하게 이해할 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 사용자 근접 검출 장치가 적용되는 시스템을 도시한 도면이다.
도 2는 본 발명의 실시예에 따른 사용자 근접 검출 장치를 도시한 블록도이다.
도 3은 5G 통신 시스템에서 자율주행 차량과 5G 네트워크의 기본동작의 일 예를 나타낸 도면이다.
도 4는 5G 통신 시스템에서 자율주행 차량과 5G 네트워크의 응용 동작의 일 예를 나타낸 도면이다.
도 5 내지 도 8은 5G 통신을 이용한 자율주행 차량의 동작의 일 예를 나타낸 도면이다.
도 9 내지 도 11, 도 13 및 도 15는 본 발명의 실시예에 따른 사용자 근접 검출 방법을 도시한 동작흐름도이다.
도 12a 내지 도 12c, 도 14 및 도 16은 본 발명의 실시예에 따른 사용자 근접 검출 장치의 데이터 처리 동작을 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 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 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 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, 복수개의 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.
본 명세서에서 기술되는 차량은, 자동차, 오토바이를 포함하는 개념일 수 있다. 이하에서는, 차량에 대해 자동차를 위주로 기술한다.
본 명세서에서 기술되는 차량은, 동력원으로서 엔진을 구비하는 내연기관 차량, 동력원으로서 엔진과 전기 모터를 구비하는 하이브리드 차량, 동력원으로서 전기 모터를 구비하는 전기 차량 등을 모두 포함하는 개념일 수 있다.
도 1은 본 발명의 실시예에 따른 사용자 근접 검출 장치가 적용되는 시스템을 도시한 도면이다.
도 1을 참조하면, 사용자 근접 검출 장치(1000)는, 예를 들면, EV(Electirc Vehicle) 충전소에 스마트 박스의 형태로 설치되어 차량(A) 또는 사람(B)이 접근하는 경우에 사람(B)의 공진 특성에 따라 변하는 방송 신호의 세기를 분석함으로써 차량(A) 또는 사람(B)을 구분할 뿐만 아니라, 사람(B)의 접근 여부를 정확히 감지할 수 있다.
도 2는 본 발명의 실시예에 따른 차량 측에 설치된 사용자 근접 검출 장치를 도시한 블록도이다.
도 2를 참조하면, 사용자 근접 검출 장치는 수신부(1100), 추론용 데이터 생성부(1200), 근접 검출부(1300), 대상 주파수 선정부(1400), 모델 생성부(1500), 통신부(1600) 및 저장부(1700)를 포함할 수 있다.
실시예에 따라 사용자 근접 검출 장치(1000)는, 도 2에 도시되고 이하 설명되는 구성 요소 외에 다른 구성요소를 포함하거나, 도 2에 도시되고 이하 설명되는 구성요소 중 일부를 포함하지 않을 수 있다.
수신부(1100)는, 대상 주파수 대역의 신호를 수신하고, 수신된 신호를 추론용 데이터 생성부(1200)에 제공할 수 있다. 이때, 수신부(1100)는, 대상 주파수 대역을 방송 주파수 대역 중에서 선택함으로써, 해당 지역에서 수신 가능한 공영 방송의 무선 신호 데이터를 취득할 수 있다.
수신부(1100)는, 제1 대상 주파수 대역 및 제2 대상 주파수 대역의 적어도 2개 이상의 대상 주파수 대역을 포함하는 신호를 수신하고, 수신된 신호를 추론용 데이터 생성부(1200)에 제공할 수 있다.
수신부(1100)는, 통신을 수행하기 위해 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자를 포함할 수 있고, RTL2832U 기반 SDR(Software Defined Radio) 동글(Dongle)일 수 있으나 이에 한정되지 않는다.
추론용 데이터 생성부(1200)는, 수신부(1100)를 통하여 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하고, 생성된 추론용 데이터를 근접 검출부(1300)에 제공할 수 있다.
추론용 데이터 생성부(1200)는, 수신부(1100)를 통하여 수신된 신호를 근접 검출부(1300) 또는 모델 생성부(1500)에서 사용할 수 있는 형태의 데이터로 변환하는 전처리(Pre-processing) 과정을 수행할 수 있다.
추론용 데이터 생성부(1200)는, 수신부(1100)를 통하여 수신된 신호 데이터에 대해 이산 푸리에 변환(FDFT, Forward Discrete Fourier Transform)을 수행하여 신호 세기 값으로 변환한 데이터를 획득할 수 있다.
여기서, 추론용 데이터는, 수신부(1100)를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터일 수 있다.
예를 들면, 추론용 데이터 생성부(1200)는, 색상 스펙트럼을 N단계로 나누고, 아래 수학식을 적용하여 신호 세기를 색상 값으로 변환한 이미지 데이터를 획득할 수 있다.
Figure pat00001
여기서, max는 최대값을 min은 최소값을 의미한다.
추론용 데이터 생성부(1200)는, 사전에 정의한 이미지 픽셀 변환 비율에 따라 이미지 데이터를 생성할 수 있다. 예를 들면, 추론용 데이터 생성부(1200)는, 대상 주파수 대역의 신호에 대하여 시간 및 주파수 별로 소정의 픽셀 수를 할당하고, 각 픽셀별로 해당 시간 및 해당 주파수의 신호의 세기에 대응하는 색상값을 할당함으로써 이미지 데이터를 생성할 수 있다.
추론용 데이터 생성부(1200)는, 대상 주파수 대역의 신호에 대하여 시간 및 주파수 별로 할당하는 픽셀 수를 증가, 다시 말하면, 해상도를 증가함으로써 추론용 데이터의 정확도를 높일 수 있다.
또한, 추론용 데이터는, 위 수학식 1에 의해 제1 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제1 이미지 데이터 및 제2 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제2 이미지 데이터를 동일 시간축을 기준으로 연결한 데이터일 수 있다.
근접 검출부(1300)는, 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단할 수 있다.
근접 검출부(1300)는, 사용자의 요청 신호 입력, 소정의 주기 도래 등 실행 조건에 따라 추론용 데이터 생성부(1200)를 활성화함으로써 추론용 데이터를 제공받고, 제공받은 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 또는 비근접 상황을 판단할 수 있다.
근접 검출부(1300)는, 인체의 근접 여부 판단의 기간이 충분히 주어지는 경우, 추론용 데이터를 반복적으로 제공받아 근접 여부 판단의 정확성을 높일 수 있다.
근접 검출부(1300)는, 인체가 근접한 경우로 판단함에 따라 외부 장치를 활성화하는 제어 신호를 생성할 수 있다.
예를 들면, 근접 검출부(1300)는, 조도가 일정 수준 이하인 상황에서 인체가 근접하는 경우로 판단함에 따라 조명 장치를 점등하는 제어 신호를 생성할 수 있고, 인체가 멀어지는 경우로 판단함에 따라 조명 장치를 소등하는 제어 신호를 생성할 수 있다.
근접 검출부(1300)는, 인체가 근접하는 경우로 판단함에 따라 TV의 전원을 턴온하는 제어 신호를 생성할 수 있고, TV 시청 중 인체가 멀어지는 경우로 판단함에 따라 TV의 전원을 턴오프하는 제어 신호를 생성할 수 있다.
근접 검출부(1300)는, 영화 재생 중 인체가 멀어지는 경우로 판단함에 따라 영화의 재생을 일시 중지하는 제어 신호를 생성할 수 있고, 영화 재생을 일시 중지 중에 인체가 근접하는 경우로 판단함에 따라 영화를 재생하는 제어 신호를 생성할 수 있다.
대상 주파수 선정부(1400)는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값에 기초하여 대상 주파수 대역을 선정할 수 있다. 예를 들면, 대상 주파수 선정부(1400)는, 획득한 신호 세기 값에 대하여 소정의 시간 동안 이동 평균을 산출하고, 산출된 이동 평균 값이 큰 상위 채널 n개, 예를 들면, 2개 또는 3개를 대상 주파수 대역으로 선정할 수 있다.
대상 주파수 선정부(1400)는, 지역 정보를 획득함에 따라 지역 정보에 대응하는 지역 방송 주파수 대역, 예를 들면, 중파(MF), 단파(HF), 초단파(VHF), 극초단파(UHF) 채널을 포함하는 호핑용 주파수 리스트를 생성하고, 생성된 호핑용 주파수 리스트에 기초하여 주파수 호핑을 수행할 수 있다.
대상 주파수 선정부(1400)는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값 및 사용자 근접 여부의 상관 관계에 기초하여 대상 주파수 대역을 선정할 수 있다. 예를 들면, 대상 주파수 선정부(1400)는, 근접에 해당하는 값을 0, 비근접에 해당하는 값을 1로 정하고, 신호 세기 값과 근접 또는 비근접에 해당하는 값과의 상관관계(Correlation) 값을 산출하며, 산출한 상관관계 값의 절대값이 큰 상위 채널 n개, 예를 들면, 2개 또는 3개를 대상 주파수 대역으로 선정할 수 있다.
모델 생성부(1500)는, 추론용 데이터 생성부(1200)에서 생성된 학습용 데이터를 입력받아 기계학습을 수행함으로써 인체 근접 추론 기계학습 모델을 생성할 수 있다.
모델 생성부(1500)는, 복수의 학습용 데이터에서 인체 근접 여부에 따른 특징적 변화를 학습한 모델을 생성할 수 있다.
여기서, 인체 근접 추론 기계학습 모델은, 인체 근접 환경 하에서 수신부(1100)를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터 및 근접 레이블을 포함하는 데이터 집합인 제1 학습용 데이터 및 인체 비근접 환경 하에서 수신부(1100)를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색상 값으로 변환한 이미지 데이터 및 비근접 레이블을 포함하는 데이터 집합인 제2 학습용 데이터에 의해 학습되어 추론용 데이터가 입력되면 인체의 근접 여부를 추론하는 모델일 수 있다.
한편, 인체 근접 추론 기계학습 모델은, 다층 퍼셉트론 신경망(Multi Layer Perceptron Neural Network) 모델 또는 컨볼루션 신경망(Convolution Neural Network) 모델일 수 있으나, 이에 한정되지 않는다.
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 딥러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥러닝'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, 연속 적인 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 레이블)은 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 관계 보다는, 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 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 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 딥러닝에서는 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.
추론용 데이터 생성부(1200), 근접 검출부(1300), 대상 주파수 선정부(1400) 및 모델 생성부(1500)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.
통신부(1600)는, 외부 장치와 통신을 수행하기 위한 모듈이다. 여기서, 외부 장치는, 조명 기기, 가전 기기, 사용자 단말기, 타 차량 또는 서버일 수 있다.
통신부(1600)는, 근접 검출부(1300)로부터 외부 장치를 제어하는 제어 신호를 입력받아 송신할 수 있다.
사용자 근접 검출 장치(1000)가 설치된 차량은 주행 상황에 따라 자율주행 모드에서 매뉴얼 모드로 전환되거나 매뉴얼 모드에서 자율주행 모드로 전환될 수 있다. 여기서, 주행 상황은 통신부(1600)에 의해 수신된 정보에 의해 판단될 수 있다.
통신부(1600)는, 서버로부터 5G 네트워크의 하향 링크 그랜트에 기초하여 지역 방송 주파수 대역 리스트를 포함하는 지역 정보를 수신할 수 있다.
통신부(1600)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
통신부(1600)는, 근거리 통신(Short range communication), GPS 신호 수신, V2X 통신, 광통신, 방송 송수신 및 ITS(Intelligent Transport Systems) 통신 기능을 수행할 수 있다.
실시예에 따라, 통신부(1600)는, 설명되는 기능 외에 다른 기능을 더 지원하거나, 설명되는 기능 중 일부를 지원하지 않을 수 있다.
통신부(1600)는, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
통신부(1600)는, 근거리 무선 통신망(Wireless Area Networks)을 형성하여, 차량과 적어도 하나의 외부 장치 사이의 근거리 통신을 수행할 수 있다.
통신부(1600)는, 차량의 위치 정보를 획득하기 위한 GPS(Global Positioning System) 모듈 또는 DGPS(Differential Global Positioning System) 모듈을 포함할 수 있다.
통신부(1600)는, 차량과 서버(V2I : Vehicle to Infra), 타 차량(V2V : Vehicle to Vehicle) 또는 보행자(V2P : Vehicle to Pedestrian)와의 무선 통신을 지원하는 모듈, 즉, V2X 통신 모듈을 포함할 수 있다. V2X 통신 모듈은, 인프라와의 통신(V2I), 차량간 통신(V2V), 보행자와의 통신(V2P) 프로토콜이 구현 가능한 RF 회로를 포함할 수 있다.
통신부(1600)는, V2X 통신 모듈을 통하여, 타 차량이 송신하는 위험 정보 방송 신호를 수신할 수 있고, 위험 정보 질의 신호를 송신하고 그에 대한 응답으로 위험 정보 응답 신호를 수신할 수 있다.
통신부(1600)는, 광을 매개로 외부 디바이스와 통신을 수행하기 위한 광통신 모듈을 포함할 수 있다. 광통신 모듈은, 전기 신호를 광 신호로 전환하여 외부에 발신하는 광발신 모듈 및 수신된 광 신호를 전기 신호로 전환하는 광수신 모듈을 포함할 수 있다.
실시예에 따라, 광발신 모듈은, 차량에 포함된 램프와 일체화되게 형성될 수 있다.
통신부(1600)는, 방송 채널을 통해, 외부의 방송 관리 서버로부터 방송 신호를 수신하거나, 방송 관리 서버에 방송 신호를 송출하기 위한 방송 통신 모듈을 포함할 수 있다. 방송 채널은, 위성 채널, 지상파 채널을 포함할 수 있다. 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 수 있다.
통신부(1600)는, 교통 시스템과 정보, 데이터 또는 신호를 교환하는 ITS 통신 모듈을 포함할 수 있다. ITS 통신 모듈은, 교통 시스템에 획득한 정보, 데이터를 제공할 수 있다. ITS 통신 모듈은, 교통 시스템으로부터, 정보, 데이터 또는 신호를 제공받을 수 있다. 예를 들면, ITS 통신 모듈은, 교통 시스템으로부터 도로 교통 정보를 수신하여, 차량 제어부(1200)에 제공할 수 있다. 예를 들면, ITS 통신 모듈은, 교통 시스템으로부터 제어 신호를 수신하여 차량 제어부(1200) 또는 차량 내부에 구비된 프로세서에 제공할 수 있다.
실시예에 따라, 통신부(1600)의 각 모듈은 통신부(1600) 내에 구비된 별도의 프로세서에 의해 전반적인 동작이 제어될 수 있다. 통신부(1600)는, 복수개의 프로세서를 포함하거나, 프로세서를 포함하지 않을 수도 있다. 통신부(1600)에 프로세서가 포함되지 않는 경우, 통신부(1600)는, 차량 내 다른 장치의 프로세서 또는 차량 제어부(1200)의 제어에 따라, 동작될 수 있다.
통신부(1600)는, 차량 사용자 인터페이스부(1300)와 함께 차량용 디스플레이 장치를 구현할 수 있다. 이 경우, 차량용 디스플레이 장치는, 텔레매틱스(telematics) 장치 또는 AVN(Audio Video Navigation) 장치로 명명될 수 있다.
도 3는 5G 통신 시스템에서 자율주행 차량과 5G 네트워크의 기본동작의 일 예를 나타낸 도면이다.
통신부(1600)는, 차량이 자율주행 모드로 운행되는 경우, 특정 정보를 5G 네트워크로 전송할 수 있다(S1).
이 때, 특정 정보는 자율주행 관련 정보를 포함할 수 있다.
자율주행 관련 정보는, 차량의 주행 제어와 직접적으로 관련된 정보일 수 있다. 예를 들어, 자율주행 관련 정보는 차량 주변의 오브젝트를 지시하는 오브젝트 데이터, 맵 데이터(map data), 차량 상태 데이터, 차량 위치 데이터 및 드라이빙 플랜 데이터(driving plan data) 중 하나 이상을 포함할 수 있다.
자율주행 관련 정보는 자율주행에 필요한 서비스 정보 등을 더 포함할 수 있다. 예를 들어, 특정 정보는, 사용자가 입력한 목적지와 차량의 안전 등급에 관한 정보를 포함할 수 있다.
또한, 5G 네트워크는 차량의 원격 제어 여부를 결정할 수 있다(S2).
여기서, 5G 네트워크는 자율주행 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
또한, 5G 네트워크는 원격 제어와 관련된 정보(또는 신호)를 자율주행 차량으로 전송할 수 있다(S3).
전술한 바와 같이, 원격 제어와 관련된 정보는 자율주행 차량에 직접적으로 적용되는 신호일 수도 있고, 나아가 자율주행에 필요한 서비스 정보를 더 포함할 수 있다. 본 발명의 일 실시예에서 자율주행 차량은, 5G 네트워크에 연결된 서버를 통해 주행 경로 상에서 선택된 구간별 보험과 위험 구간 정보 등의 서비스 정보를 수신함으로써, 자율주행과 관련된 서비스를 제공할 수 있다.
이하, 도 4 내지 도 8을 참조하여 자율주행 가능 차량과 5G 네트워크 간의 5G 통신을 위한 필수 과정(예를 들어, 차량과 5G 네트워크 간의 초기 접속 절차 등)을 개략적으로 설명하면 다음과 같다.
먼저, 5G 통신 시스템에서 수행되는 자율주행 가능 차량과 5G 네트워크를 통한 응용 동작의 일 예는 다음과 같다.
차량은 5G 네트워크와 초기 접속(Initial access) 절차를 수행한다(초기 접속 단계, S20). 이때, 초기 접속 절차는 하향 링크(Downlink, DL) 동기 획득을 위한 셀 서치(Cell search) 과정 및 시스템 정보(System information)를 획득하는 과정 등을 포함한다.
또한, 차량은 5G 네트워크와 임의 접속(Random access) 절차를 수행한다(임의 접속 단계, S21). 이때, 임의 접속 절차는 상향 링크(Uplink, UL) 동기 획득 과정 또는 UL 데이터 전송을 위한 프리엠블 전송 과정, 임의 접속 응답 수신 과정 등을 포함한다.
한편, 5G 네트워크는 자율주행 가능 차량으로 특정 정보의 전송을 스케쥴링하기 위한 UL 그랜트(Uplink grant)를 전송한다(UL 그랜트 수신 단계, S22).
차량이 UL 그랜트를 수신하는 절차는 5G 네트워크로 UL 데이터의 전송을 위해 시간/주파수 자원을 배정받는 스케줄링 과정을 포함한다.
또한, 자율주행 가능 차량은 UL 그랜트에 기초하여 5G 네트워크로 특정 정보를 전송할 수 있다(특정 정보 전송 단계, S23).
한편, 5G 네트워크는 차량으로부터 전송된 특정 정보에 기초하여 차량의 원격 제어 여부를 결정할 수 있다(차량의 원격 제어 여부 결정 단계, S24).
또한, 자율주행 가능 차량은 5G 네트워크로부터 기 전송된 특정 정보에 대한 응답을 수신하기 위해 물리 하향링크 제어 채널을 통해 DL 그랜트를 수신할 수 있다(DL 그랜트 수신 단계, S25).
이후에, 5G 네트워크는 DL 그랜트에 기초하여 자율주행 가능 차량으로 원격 제어와 관련된 정보(또는 신호)를 전송할 수 있다(원격 제어와 관련된 정보 전송 단계, S26).
한편, 앞서 자율주행 가능 차량과 5G 네트워크의 초기 접속 과정 및/또는 임의 접속 과정 및 하향링크 그랜트 수신 과정이 결합된 절차를 예시적으로 설명하였지만, 본 발명은 이에 한정되지 않는다.
예를 들어, 초기 접속 단계, UL 그랜트 수신 단계, 특정 정보 전송 단계, 차량의 원격 제어 여부 결정 단계 및 원격 제어와 관련된 정보 전송 단계를 통해 초기 접속 과정 및/또는 임의접속 과정을 수행할 수 있다. 또한, 예를 들어 임의 접속 단계, UL 그랜트 수신 단계, 특정 정보 전송 단계, 차량의 원격 제어 여부 결정 단계, 원격 제어와 관련된 정보 전송 단계를 통해 초기접속 과정 및/또는 임의 접속 과정을 수행할 수 있다. 또한, 특정 정보 전송 단계, 차량의 원격 제어 여부 결정 단계, DL 그랜트 수신 단계, 원격 제어와 관련된 정보 전송 단계를 통해, AI 동작과 DL 그랜트 수신 과정을 결합한 방식으로 자율주행 가능 차량의 제어가 이루어질 수 있다.
또한, 앞서 기술한 자율주행 가능 차량의 동작은 예시적인 것이 불과하므로, 본 발명은 이에 한정되지 않는다.
예를 들어, 자율주행 가능 차량의 동작은, 초기 접속 단계, 임의 접속 단계, UL 그랜트 수신 단계 또는 DL 그랜트 수신 단계가, 특정 정보 전송 단계 또는 원격 제어와 관련된 정보 전송 단계와 선택적으로 결합되어 동작할 수 있다. 아울러, 자율주행 가능 차량의 동작은, 임의 접속 단계, UL 그랜트 수신 단계, 특정 정보 전송 단계 및 원격 제어와 관련된 정보 전송 단계로 구성될 수도 있다. 한편, 자율주행 가능 차량의 동작은, 초기 접속 단계, 임의 접속 단계, 특정 정보 전송 단계 및 원격 제어와 관련된 정보 전송 단계로 구성될 수 있다. 또한, 자율주행 가능 차량의 동작은, UL 그랜트 수신 단계, 특정 정보 전송 단계, DL 그랜트 수신 단계 및 원격 제어와 관련된 정보 전송 단계로 구성될 수 있다.
도 5에 도시된 바와 같이, 자율주행 모듈을 포함하는 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB(Synchronization Signal Block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(초기 접속 단계, S30).
또한, 자율주행 가능 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행할 수 있다(임의 접속 단계, S31).
한편, 자율주행 가능 차량은 특정 정보를 전송하기 위해 5G 네트워크로부터 UL 그랜트를 수신할 수 있다(UL 그랜트 수신 단계, S32).
또한, 자율주행 가능 차량은 UL 그랜트에 기초하여 특정 정보를 5G 네트워크로 전송한다(특정 정보 전송 단계, S33).
또한, 자율주행 가능 차량은 특정 정보에 대한 응답을 수신하기 위한 DL 그랜트를 5G 네트워크로부터 수신한다(DL 그랜트 수신 단계, S34).
또한, 자율주행 가능 차량은 원격 제어와 관련된 정보(또는 신호)를 DL 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계, S35).
초기 접속 단계에 빔 관리(Beam Management, BM) 과정이 추가될 수 있으며, 임의 접속 단계에 PRACH(Physical Random Access CHannel) 전송과 관련된 빔 실패 복구(Beam failure recovery) 과정이 추가될 수 있으며, UL 그랜트 수신 단계에 UL 그랜트를 포함하는 PDCCH(Physical Downlink Control CHannel)의 빔 수신 방향과 관련하여 QCL(Quasi Co-Located) 관계가 추가될 수 있으며, 특정 정보 전송 단계에 특정 정보를 포함하는 PUCCH/PUSCH(Physical Uplink Shared CHannel)의 빔 전송 방향과 관련하여 QCL 관계가 추가될 수 있다. 또한, DL 그랜트 수신 단계에 DL 그랜트를 포함하는 PDCCH의 빔 수신 방향과 관련하여 QCL 관계가 추가될 수 있다.
도 6에 도시된 바와 같이, 자율주행 가능 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(초기 접속 단계, S40).
또한, 자율주행 가능 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(임의 접속 단계, S41).
또한, 자율주행 가능 차량은 설정된 그랜트(Configured grant)에 기초하여 특정 정보를 5G 네트워크로 전송한다(UL 그랜트 수신 단계, S42). 즉, 상기 5G 네트워크로부터 UL 그랜트를 수신하는 과정 대신, 설정된 그랜트를 수신할 수 있다.
또한, 자율주행 가능 차량은 원격 제어와 관련된 정보(또는 신호)를 설정 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계,S43).
도 7에 도시된 바와 같이, 자율주행 가능 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(초기 접속 단계, S50).
또한, 자율주행 가능 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(임의 접속 단계, S51).
또한, 자율주행 가능 차량은 5G 네트워크로부터 DL 선점(Downlink Preemption) IE(Information Element)를 수신한다(DL 선점 IE 수신, S52).
또한, 자율주행 가능 차량은 DL 선점 IE에 기초하여 선점 지시를 포함하는 DCI(Downlink Control Information) 포맷 2_1을 5G 네트워크로부터 수신한다(DCI 포맷 2_1 수신 단계, S53).
또한, 자율주행 가능 차량은 선점 지시(Pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB 데이터의 수신을 수행(또는 기대 또는 가정)하지 않는다(eMBB 데이터의 수신 미수행 단계, S54).
또한, 자율주행 가능 차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL 그랜트를 수신한다(UL 그랜트 수신 단계, S55).
또한, 자율주행 가능 차량은 UL 그랜트에 기초하여 특정 정보를 5G 네트워크로 전송한다(특정 정보 전송 단계, S56).
또한, 자율주행 가능 차량은 특정 정보에 대한 응답을 수신하기 위한 DL 그랜트를 5G 네트워크로부터 수신한다(DL 그랜트 수신 단계, S57).
또한, 자율주행 가능 차량은 원격제어와 관련된 정보(또는 신호)를 DL 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계, S58).
도 8에 도시된 바에 의하면, 자율주행 가능 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(초기 접속 단계, S60).
또한, 자율주행 가능 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(임의 접속 단계, S61).
또한, 자율주행 가능 차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL 그랜트를 수신한다(UL 그랜트 수신 단계, S62).
UL 그랜트는 특정 정보의 전송이 반복적으로 이루어지는 경우, 그 반복 횟수에 대한 정보를 포함하고, 특정 정보는 반복 횟수에 대한 정보에 기초하여 반복하여 전송된다(특정 정보 반복 전송 단계, S63).
또한, 자율주행 가능 차량은 UL 그랜트에 기초하여 특정 정보를 5G 네트워크로 전송한다.
또한, 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.
특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(Narrowband)을 통해 전송될 수 있다.
또한, 자율주행 가능 차량은 특정 정보에 대한 응답을 수신하기 위한 DL 그랜트를 5G 네트워크로부터 수신한다(DL 그랜트 수신 단계, S64).
또한, 자율주행 가능 차량은 원격제어와 관련된 정보(또는 신호)를 DL 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계, S65).
앞서 기술한 5G 통신 기술은 도 1 내지 도 16에서 후술할 본 명세서에서 제안하는 실시예와 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 실시예의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
차량은 통신망을 통해 외부 서버에 연결되고, 자율주행 기술을 이용하여 운전자 개입 없이 미리 설정된 경로를 따라 이동 가능하다.
이하의 실시예에서, 사용자는 운전자, 탑승자 또는 사용자 단말기의 소유자로 해석될 수 있다.
차량이 자율주행 모드로 주행 중인 경우에, 주변 위험 요소들을 실시간 센싱하는 능력에 따라 사고 발생 유형 및 빈도가 크게 달라질 수 있다. 목적지까지의 경로는 날씨, 지형 특성, 교통 혼잡도 등 다양한 원인에 의해 위험 수준이 서로 다른 구간들을 포함할 수 있다.
본 발명의 자율주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificial Inteligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR), 5G 서비스와 관련된 장치 등과 연계 혹은 융복합될 수 있다.
예를 들어, 차량은 자율주행 중에 차량에 포함된 적어도 하나의 인공지능 모듈, 로봇과 연계되어 동작할 수 있다.
예를 들어, 차량은, 적어도 하나의 로봇(robot)과 상호 작용할 수 있다. 로봇은, 자력으로 주행이 가능한 이동 로봇(Autonomous Mobile Robot, AMR)일 수 있다. 이동 로봇은, 스스로 이동이 가능하여 이동이 자유롭고, 주행 중 장애물 등을 피하기 위한 다수의 센서가 구비되어 장애물을 피해 주행할 수 있다. 이동 로봇은, 비행 장치를 구비하는 비행형 로봇(예를 들면, 드론)일 수 있다. 이동 로봇은, 적어도 하나의 바퀴를 구비하고, 바퀴의 회전을 통해 이동되는 바퀴형 로봇일 수 있다. 이동 로봇은, 적어도 하나의 다리를 구비하고, 다리를 이용해 이동되는 다리식 로봇일 수 있다.
로봇은 차량 사용자의 편의를 보완하는 장치로 기능할 수 있다. 예를 들면, 로봇은, 차량에 적재된 짐을 사용자의 최종 목적지까지 이동하는 기능을 수행할 수 있다. 예를 들면, 로봇은, 차량에서 하차한 사용자에게 최종 목적지까지 길을 안내하는 기능을 수행할 수 있다. 예를 들면, 로봇은, 차량에서 하차한 사용자를 최종 목적지까지 수송하는 기능을 수행할 수 있다.
차량에 포함되는 적어도 하나의 전자 장치는, 통신 장치를 통해, 로봇과 통신을 수행할 수 있다.
차량에 포함되는 적어도 하나의 전자 장치는, 로봇에 차량에 포함되는 적어도 하나의 전자 장치에서 처리한 데이터를 제공할 수 있다. 예를 들면, 차량에 포함되는 적어도 하나의 전자 장치는, 차량 주변의 오브젝트를 지시하는 오브젝트 데이터, HD 맵 데이터(map data), 차량 상태 데이터, 차량 위치 데이터 및 드라이빙 플랜 데이터(driving plan data) 중 적어도 어느 하나를 로봇에 제공할 수 있다.
차량에 포함되는 적어도 하나의 전자 장치는, 로봇으로부터, 로봇에서 처리된 데이터를 수신할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 로봇에서 생성된 센싱 데이터, 오브젝트 데이터, 로봇 상태 데이터, 로봇 위치 데이터 및 로봇의 이동 플랜 데이터 중 적어도 어느 하나를 수신할 수 있다.
차량에 포함되는 적어도 하나의 전자 장치는, 로봇으로부터 수신된 데이터에 더 기초하여, 제어 신호를 생성할 수 있다. 예를 들면, 차량에 포함되는 적어도 하나의 전자 장치는, 오브젝트 검출 장치에 생성된 오브젝트에 대한 정보와 로봇에 의해 생성된 오브젝트에 대한 정보를 비교하고, 비교 결과에 기초하여, 제어 신호를 생성할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 차량의 이동 경로와 로봇의 이동 경로간의 간섭이 발생되지 않도록, 제어 신호를 생성할 수 있다.
차량에 포함되는 적어도 하나의 전자 장치는, 인공 지능(artificial intelligence, AI)을 구현하는 소프트웨어 모듈 또는 하드웨어 모듈(이하, 인공 지능 모듈)을 포함할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 획득되는 데이터를 인공 지능 모듈에 입력(input)하고, 인공 지능 모듈에서 출력(output)되는 데이터를 이용할 수 있다.
인공 지능 모듈은, 적어도 하나의 인공 신경망(artificial neural network, ANN)을 이용하여, 입력되는 데이터에 대한 기계 학습(machine learning)을 수행할 수 있다. 인공 지능 모듈은, 입력되는 데이터에 대한 기계 학습을 통해, 드라이빙 플랜 데이터를 출력할 수 있다.
차량에 포함되는 적어도 하나의 전자 장치는, 인공 지능 모듈에서 출력되는 데이터에 기초하여, 제어 신호를 생성할 수 있다.
실시예에 따라, 차량에 포함되는 적어도 하나의 전자 장치는, 통신 장치를 통해, 외부 장치로부터, 인공 지능에 의해 처리된 데이터를 수신할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 인공 지능에 의해 처리된 데이터에 기초하여, 제어 신호를 생성할 수 있다.
저장부(1700)는, 추론용 데이터 생성부(1200), 근접 검출부(1300), 대상 주파수 선정부(1400), 모델 생성부(1500)와 전기적으로 연결된다. 저장부(1700)는 사용자 근접 검출 장치 각 부에 대한 기본 데이터, 사용자 근접 검출 장치 각 부의 동작 제어를 위한 제어 데이터, 입출력되는 데이터를 저장할 수 있다.
저장부(1700)는, 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있다. 저장부(1700)는 추론용 데이터 생성부(1200), 근접 검출부(1300), 대상 주파수 선정부(1400), 모델 생성부(1500)의 처리 또는 제어를 위한 프로그램 등, 사용자 근접 검출 장치(1000) 전반의 동작을 위한 다양한 데이터, 특히, 주파수 호핑용 지역 정보, 기계학습 모델을 위한 학습용 데이터 등을 저장할 수 있다. 이때, 저장부(1700)는,추론용 데이터 생성부(1200), 근접 검출부(1300), 대상 주파수 선정부(1400), 모델 생성부(1500)와 일체형으로 형성되거나, 추론용 데이터 생성부(1200), 근접 검출부(1300), 대상 주파수 선정부(1400), 모델 생성부(1500)의 하위 구성 요소로 구현될 수 있다.
도 9 내지 도 11, 도 13 및 도 15는 본 발명의 실시예에 따른 사용자 근접 검출 방법을 도시한 동작흐름도이다.
도 12a 내지 도 12c, 도 14 및 도 16은 본 발명의 실시예에 따른 사용자 근접 검출 장치의 데이터 처리 동작을 도시한 도면이다.
도 9를 참조하면, 대상 주파수 선정부(1400)는, 사용자 근접 검출 지역에서 수신 가능한 공영 방송의 무선 신호들 중 이용할 대상 주파수 대역을 선정할 수 있다(S1000).
추론용 데이터 생성부(1200)는, 수신부(1100)를 통하여 수신한 대상 주파수 대역의 신호를 모델 생성부(1500) 및 근접 검출부(1300)에서 이용가능한 형태로 변환하는 데이터 전처리 과정을 수행할 수 있다(S2000).
근접 검출부(1300)에서 사용할 수 있는 인체 근접 추론 기계학습 모델이 생성되어 있지 않은 경우에는(S3000), 모델 생성부(1500)에서 복수의 전처리된 데이터에서 인체 근접 여부에 따른 특징을 추출 및 기계학습한 모델을 생성할 수 있다(S4000).
근접 검출부(1300)에서 사용할 수 있는 인체 근접 추론 기계학습 모델이 이미 생성되어 있는 경우에는(S3000), 추론용 데이터 생성부(1200)에서 실시간으로 생성된 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 사용자 근접 여부를 검출할 수 있다(S5000).
근접 검출부(1300)는, 인체의 근접 여부 판단 결과에 따라 생성된 제어 신호를 대응하는 기기에 통신부(1600)를 통하여 전송함으로써, 해당 기기의 서비스를 실행시킬 수 있다(S6000).
도 10을 참조하여, 대상 주파수 대역 선정 단계(S1000)에 대하여 상술하면 다음과 같다.
대상 주파수 선정부(1400)는, 탐색할 호핑용 주파수 리스트를 저장부(1700)에 사전에 저장한 경우에, 저장부(1700)를 활성화하여 호핑용 주파수 리스트를 읽어들인다(S1001).
호핑용 주파수 리스트는, 방송 주파수 대역(MF, HF, VHF, UHF) 채널 정보로서, 중심 주파수(Center Frequency)와 대역폭(Bandwidth) 쌍의 형태로 저장될 수 있다.
대상 주파수 선정부(1400)는, 탐색할 호핑용 주파수 리스트를 사전에 저장하지 않은 경우에, 지역 정보를 획득할 수 있는지 판단할 수 있다(S1002).
대상 주파수 선정부(1400)는, 지역 정보를 획득할 수 없는 경우, 표준 주파수 대역을 호핑용 주파수 리스트에 추가한다(S1003). 예를 들면, 대상 주파수 선정부(1400)는, FM 대역의 경우에 일반적인 주파수 대역인 87.5MHz 내지 108.0MHz에 대하여 50kHz, 100kHz, 200kHz 중 적어도 하나의 스텝(Step) 주파수 단위로 수신 주파수를 변경하면서 FT(Fine-Tuning)를 수행할 수 있다.
대상 주파수 선정부(1400)는, 지역 인식이 가능하여 해당 지역 정보를 획득할 수 있는 경우, 지역 방송 채널을 호핑용 주파수 리스트에 추가할 수 있다(S1004).
예를 들면, 대상 주파수 선정부(1400)는, 아래의 지역에 대하여 해당 주파수 대역을 스텝 주파수 단위로 나누어 추가할 수 있다.
지역 지역 방송 채널 스텝 주파수(kHz)
미국 AM 530~1710kHz 10
FM 87.7~107.9MHz 200
영국 AM 522~1620kHz 9
AM 87.5~108MHz 50
중국 AM 531~1630kHz 9
AM 87.5~108MHz 100
한국 AM 531~1602kHz 9
AM 88.1~107.9MHz 200
대상 주파수 선정부(1400)는, 중심 주파수와 대역폭 쌍의 형태인 호핑용 주파수 리스트 작성이 완료되면, 해당 주파수들에 대하여 주파수 호핑을 수행할 수 있다(S1005).
수신부(1100)는, 중심 주파수 변경 후 대역폭 만큼 I/Q 데이터, 즉, 직교 신호를 취득하여 추론 데이터 생성부(1200)에 제공할 수 있다(S1006).
대상 주파수 선정부(1400)는, 수신부(1100)로부터 제공받은 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기값을 구할 수 있다(S1007).
대상 주파수 선정부(1400)는, 각 주파수 별로 신호 세기의 최대값, 평균값 등을 산출하고, 산출된 데이터를 저장부(1700)에 저장할 수 있다(S1008).
대상 주파수 선정부(1400)는, 미리 정해진 시간 또는 횟수 조건을 만족하는지 여부를 판단하고(S1009), 조건을 만족할 때까지 데이터 취득 과정(S1005 내지 S1008)을 반복할 수 있다.
대상 주파수 선정부(1400)는, 미리 정해진 시간 또는 횟수 조건을 만족한 경우에, 신호 세기 값을 기준으로 하여 채널들을 정렬하고 미리 정의한 채널 개수에 따라 대상 주파수 대역을 선정할 수 있다(S1010).
예를 들면, 대상 주파수 선정부(1400)는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값에 기초하여 대상 주파수 대역을 선정할 수 있다. 예를 들면, 대상 주파수 선정부(1400)는, 획득한 신호 세기 값에 대하여 소정의 시간 동안 이동 평균을 산출하고, 산출된 이동 평균 값이 큰 상위 채널 n개, 예를 들면, 2개 또는 3개를 대상 주파수 대역으로 선정할 수 있다.
대상 주파수 선정부(1400)는, 주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값 및 사용자 근접 여부의 상관 관계에 기초하여 대상 주파수 대역을 선정할 수 있다. 예를 들면, 대상 주파수 선정부(1400)는, 근접에 해당하는 값을 0, 비근접에 해당하는 값을 1로 정하고, 신호 세기 값과 근접 또는 비근접에 해당하는 값과의 상관관계 값을 산출하며, 산출한 상관관계 값의 절대값이 큰 상위 채널 n개, 예를 들면, 2개 또는 3개를 대상 주파수 대역으로 선정할 수 있다.
도 11을 참조하면, 추론용 데이터 생성부(1200)는, 대상 주파수 선정부(1400) 또는 저장부(1700)에서 제공하는 대상 주파수 대역 리스트를 입력받고(S2001), 대상 주파수 대역 따라 수신 주파수 대역을 변경하면서(S2002) 수신부(1100)를 통해 데이터를 취득할 수 있다(S2003).
상대적으로 저주파인 방송 신호의 특성 상 인체에 의한 신호 간섭 시 그 신호 세기가 선형적으로 변화하지 않을 수 있으므로, 방송 신호를 전 처리 과정 없이 사용하면 인체의 근접 여부를 판단하는 기준이 되는 임계값을 설정하기 어려울 수 있다.
이에 따라, 추론용 데이터 생성부(1200)는, 전 처리 과정의 일환으로, 수신부(1100)를 통하여 수신된 신호 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값으로 변환한 데이터를 획득할 수 있다(S2004).
추론용 데이터 생성부(1200)는, 도 12a에 도시된 바와 같이, 수신부(1100)를 통하여 수신된 신호의 주파수 별 신호 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터를 생성할 수 있다(S2005).
한편, 각 방송 채널들은, 송신소 위치, 주파수 대역, 인체 접근 방향 등에 따라 다양하게 신호의 세기가 변화할 수 있다.
따라서, 추론용 데이터 생성부(1200)는, 위와 같이 환경에 따라 다양하게 변화하는 신호 세기 특성에도 불구하고 인체의 근접 여부 검출의 정확도를 높이기 위하여 동일한 시간축을 기준으로 복수의 주파수 대역에 대한 신호를 함께 이미지 데이터화하여 병합할 수 있다.
추론용 데이터 생성부(1200)는, 복수의 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색상 값으로 변환한 복수개의 데이터를 도 12b에 도시된 바와 같이 동일 시간축을 기준으로 축적 및 연결한 데이터를 생성하기 위하여 충분히 데이터가 축적되었는지 판단할 수 있다(S2006).
추론용 데이터 생성부(1200)는, 이미지 데이터 병합 준비가 완료되지 않았다고 판단하면, 대상 주파수 대역 따라 수신 주파수 대역을 변경하는 단계(S2002)를 다시 수행할 수 있다.
한편, 추론용 데이터 생성부(1200)는, 이미지 데이터 병합 준비가 완료되었다고 판단하면, 복수의 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색상 값으로 변환한 복수개의 이미지 데이터를 병렬로 병합하여 하나의 이미지 데이터를 생성하고, 생성된 이미지 데이터를 저장부(1700)에 저장할 수 있다(S2007).
추론용 데이터 생성부(1200)는, 저장된 이미지 데이터에 전처리된 이미지 데이터를 시간에 따라 종방향으로 병합함으로써 도 12c에 도시된 바와 같은 추론용 데이터를 생성하고, 추론용 데이터 생성을 완료하면 과정을 종료할 수 있다(S2008).
모델 생성부(1500)에서 복수의 전처리된 데이터에서 인체 근접 여부에 따른 특징을 추출 및 기계학습한 모델을 생성하는 단계(S4000)를 상술하면 아래와 같다.
도 13을 참조하면, 사용자는, 기기로부터 반경 약 1m 이내로 접근하는 등, 인체 근접 환경을 구성하고(S4001), 추론용 데이터 생성부(1200)는, 추론용 데이터를 생성하는 것과 동일한 방식으로 근접 레이블이 매칭된 학습용 데이터를 생성하여 저장부(1700)에 저장할 수 있다(S4002).
사용자는, 기기로부터 반경 약 1m 밖으로 멀어지는 등, 인체 비근접 환경을 구성하고(S4003), 추론용 데이터 생성부(1200)는, 추론용 데이터를 생성하는 것과 동일한 방식으로 비근접 레이블이 매칭된 학습용 데이터를 생성하여 저장부(1700)에 저장할 수 있다(S4004).
도 14는 각각 근접 레이블이 매칭된 학습용 데이터 및 비근접 레이블이 매칭된 학습용 데이터의 예를 도시하고 있다.
모델 생성부(1500)는, 저장부(1700)에 저장된 학습용 데이터를 이용하여 사용자 근접 환경에서의 특징점들을 기계학습한 인체 근접 추론 기계학습 모델을 생성할 수 있다(S4005).
인체 근접 추론 기계학습 모델은, 다층 퍼셉트론 신경망 모델 또는 컨볼루션 신경망 모델일 수 있으며, 심층 컨볼루션 신경망 모델을 사용하여 인체 근접 추론 기계학습 모델을 생성하는 경우 손실 함수(Loss Function)는 이진 크로스 엔트로피, 최적화 알고리즘(Optimizer)은 RMSProp을 사용할 수 있다.
심층 컨볼루션 신경망 모델의 데이터 입력층은 입력 이미지 데이터의 크기와 입력 이미지 채널 개수에 따라 설정할 수 있다. 예를 들면, 추론용 데이터 생성부(1200)에서 전처리 과정을 통해 생성되는 이미지 데이터가 RGB 3채널의 20×357크기의 이미지인 경우에는, 데이터 입력층을 컨볼루션층으로 아래와 같이 구성할 수 있다.
컨볼루션층 입력 이미지 크기 20×357, 입력 이미지 채널 3개, 필터 크기 3×3,,
필터수 32개, 활성화(Activation) 함수 'relu''
이후, 아래와 같이 맥스풀링층(MaxPooling Layer)과 컨볼루션층, 플래튼층(Flatten Layer), 덴스층(Dense Layer)으로 심층 컨볼루션 신경망 모델을 구성할 수 있다.
맥스풀링층 풀 크기 2×2
컨볼루션층 필터 크기 3×3, 필터 수 32개, 활성화 함수 'relu'
맥스풀링층 풀 크기 2×2
컨볼루션층 필터 크기 3×3, 필터 수 64개, 활성화 함수 'relu'
맥스풀링층 풀 크기 2×2
플래튼 층
덴스층 출력 뉴런 수 64개, 활성화 함수 'relu'
또한, 심층 컨볼루션 신경망 모델은, 과적합(Overfitting)을 방지하기 위해 하기와 같은 드롭아웃층(Dropout Layer)을 추가하는 것이 바람직하다.
드롭아웃층 0.3
한편, 심층 컨볼루션 신경망 모델의 출력층은, 하기와 같은 1개의 출력을 가지는 덴스층(Dense Layer)으로 구성하여 근접 또는 비근접인지 여부를 출력하도록 할 수 있다.
덴스층 출력 뉴런 수 1개, 활성화 함수 'relu'
근접 검출부(1300)에서, 추론용 데이터 생성부(1200)를 통해 실시간으로 생성된 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 사용자 근접 여부를 검출하는 단계(S5000)에 대하여 상술하면 다음과 같다.
도 15를 참조하면, 근접 검출부(1300)는, 추론용 데이터 생성부(1200)로부터 추론용 데이터, 즉, 추론용 이미지를 입력받을 수 있다(S5001). 여기서, 입력되는 추론용 이미지는, 도 16에 도시된 바와 같은 입력 변수의 형태로, 3개의 대상 주파수 대역, 예를 들면 FM 라디오 대역 3개 채널(106.1MHz, 200kHz step; 106.9MHz, 200kHz step; 107.7MHz, 200kHz step)에 대한 신호가 변환된 이미지 데이터를 동일 시간축을 따라 병합한 것일 수 있다.
근접 검출부(1300)는, 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 도 16에 도시된 바와 같이 출력 변수로서 제공할 수 있다.
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. 또한, 상기 컴퓨터는 프로세서 또는 제어부를 포함할 수도 있다. 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.
1000: 사용자 근접 검출 장치
1100: 수신부
1200: 추론용 데이터 생성부
1300: 근접 검출부
1400: 대상 주파수 선정부
1500: 모델 생성부
1600: 통신부
1700: 저장부

Claims (20)

  1. 대상 주파수 대역의 신호를 수신하는 수신부;
    상기 수신부를 통하여 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하는 추론용 데이터 생성부; 및
    상기 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단하는 근접 검출부를 포함하고,
    상기 대상 주파수 대역은 방송 주파수 대역 중에서 선택되는,
    사용자 근접 검출 장치.
  2. 제1항에 있어서,
    주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값에 기초하여 상기 대상 주파수 대역을 선정하는 제1 대상 주파수 선정부를 더 포함하는,
    사용자 근접 검출 장치.
  3. 제2항에 있어서,
    상기 제1 대상 주파수 선정부는, 지역 정보를 획득함에 따라 상기 지역 정보에 대응하는 지역 방송 주파수 대역을 포함하는 호핑용 주파수 리스트를 생성하고, 생성된 상기 호핑용 주파수 리스트에 기초하여 상기 주파수 호핑을 수행하는,
    사용자 근접 검출 장치.
  4. 제1항에 있어서,
    주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값 및 사용자 근접 여부의 상관 관계에 기초하여 상기 대상 주파수 대역을 선정하는 제2 대상 주파수 선정부를 더 포함하는,
    사용자 근접 검출 장치.
  5. 제1항에 있어서,
    상기 추론용 데이터는, 상기 수신부를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터인,
    사용자 근접 검출 장치.
  6. 제1항에 있어서,
    상기 수신부는, 제1 대상 주파수 대역 및 제2 대상 주파수 대역의 적어도 2개 이상의 대상 주파수 대역을 포함하는 신호를 수신하고,
    상기 추론용 데이터는, 상기 제1 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제1 이미지 데이터 및 상기 제2 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제2 이미지 데이터를 동일 시간축을 기준으로 연결한 데이터인,
    사용자 근접 검출 장치.
  7. 제1항에 있어서,
    상기 인체 근접 추론 기계학습 모델은, 인체 근접 환경 하에서 상기 수신부를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터 및 근접 레이블을 포함하는 데이터 집합인 제1 학습용 데이터 및 인체 비근접 환경 하에서 상기 수신부를 통하여 수신된 신호의 세기의 값을 미리 맵핑된 색상 값으로 변환한 이미지 데이터 및 비근접 레이블을 포함하는 데이터 집합인 제2 학습용 데이터에 의해 학습되어 상기 추론용 데이터가 입력되면 인체의 근접 여부를 추론하는 모델인,
    사용자 근접 검출 장치.
  8. 제1항에 있어서,
    상기 인체 근접 추론 기계학습 모델은, 다층 퍼셉트론 신경망 모델인,
    사용자 근접 검출 장치.
  9. 제1항에 있어서,
    통신부를 더 포함하고,
    상기 근접 검출부는, 인체가 근접한 경우로 판단함에 따라 외부 장치를 활성화하는 제어 신호를 생성하며, 생성한 상기 제어 신호를 상기 통신부를 통하여 송신하는,
    사용자 근접 검출 장치.
  10. 제3항에 있어서,
    통신부를 더 포함하고,
    상기 통신부는, 자율 주행 모드로 운행하기 위해 연결된 5G 네트워크의 하향 링크 그랜트에 기초하여 상기 지역 정보를 수신하는,
    사용자 근접 검출 장치.
  11. 대상 주파수 대역의 신호를 수신하는 제1 단계;
    상기 제1 단계에서 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하는 제2 단계; 및
    상기 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단하는 제3 단계를 포함하고,
    상기 대상 주파수 대역은 방송 주파수 대역 중에서 선택되는,
    사용자 근접 검출 방법.
  12. 제11항에 있어서,
    주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값에 기초하여 상기 대상 주파수 대역을 선정하는 주파수 대역 선정 단계를 더 포함하는,
    사용자 근접 검출 방법.
  13. 제12항에 있어서,
    상기 주파수 호핑은, 지역 방송 주파수 대역을 포함하는 호핑용 주파수 리스트에 기초하여 수행되는,
    사용자 근접 검출 방법.
  14. 제11항에 있어서,
    주파수 호핑을 통하여 데이터를 취득하고, 취득된 데이터에 대해 이산 푸리에 변환을 수행하여 신호 세기 값을 획득하며, 획득한 신호 세기 값 및 사용자 근접 여부의 상관 관계에 기초하여 상기 대상 주파수 대역을 선정하는 단계를 더 포함하는,
    사용자 근접 검출 방법.
  15. 제11항에 있어서,
    상기 추론용 데이터는, 상기 제1 단계에서 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터인,
    사용자 근접 검출 방법.
  16. 제11항에 있어서,
    상기 대상 주파수 대역은, 제1 대상 주파수 대역 및 제2 대상 주파수 대역의 적어도 2개 이상의 주파수 대역을 포함하고,
    상기 추론용 데이터는, 상기 제1 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제1 이미지 데이터 및 상기 제2 대상 주파수 대역의 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 제2 이미지 데이터를 동일 시간축을 기준으로 연결한 데이터인,
    사용자 근접 검출 방법.
  17. 제11항에 있어서,
    상기 인체 근접 추론 기계학습 모델은, 인체 근접 환경 하에서 상기 제1 단계에서 수신된 신호의 세기의 값을 미리 맵핑된 색 영역의 색상 값으로 변환한 이미지 데이터 및 근접 레이블을 포함하는 데이터 집합인 제1 학습용 데이터 및 인체 비근접 환경 하에서 상기 제1 단계에서 수신된 신호의 세기의 값을 미리 맵핑된 색상 값으로 변환한 이미지 데이터 및 비근접 레이블을 포함하는 데이터 집합인 제2 학습용 데이터에 의해 학습되어 상기 추론용 데이터가 입력되면 인체의 근접 여부를 추론하는 모델인,
    사용자 근접 검출 방법.
  18. 제11항에 있어서,
    상기 인체 근접 추론 기계학습 모델은, 다층 퍼셉트론 신경망 모델인,
    사용자 근접 검출 방법.
  19. 제11항에 있어서,
    인체가 근접한 경우로 판단함에 따라 외부 장치를 활성화하는 제어 신호를 생성하며, 생성한 상기 제어 신호를 송신하는 단계를 더 포함하는,
    사용자 근접 검출 방법.
  20. 사용자 근접을 검출하는 프로그램을 기록한 컴퓨터 판독 가능한 기록매체로서,
    대상 주파수 대역의 신호를 수신하는 제1 수단;
    상기 제1 단계에서 수신된 신호의 세기를 측정하고, 측정된 신호의 세기에 기초하여 추론용 데이터를 생성하는 제2 수단; 및
    상기 추론용 데이터를 인체 근접 추론 기계학습 모델에 입력하여 인체의 근접 여부를 판단하는 제3 수단을 포함하고,
    상기 대상 주파수 대역은 방송 주파수 대역 중에서 선택되는,
    프로그램을 기록한 컴퓨터 판독 가능한 기록매체.
KR1020190099397A 2019-08-14 2019-08-14 사용자 근접 검출 장치 및 방법 KR20190102147A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190099397A KR20190102147A (ko) 2019-08-14 2019-08-14 사용자 근접 검출 장치 및 방법
US16/562,086 US11126834B2 (en) 2019-08-14 2019-09-05 Apparatus and method for detecting proximity of user

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190099397A KR20190102147A (ko) 2019-08-14 2019-08-14 사용자 근접 검출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20190102147A true KR20190102147A (ko) 2019-09-03

Family

ID=67951887

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190099397A KR20190102147A (ko) 2019-08-14 2019-08-14 사용자 근접 검출 장치 및 방법

Country Status (2)

Country Link
US (1) US11126834B2 (ko)
KR (1) KR20190102147A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3825703A1 (en) * 2019-11-20 2021-05-26 Rohde & Schwarz GmbH & Co. KG Method and system for detecting and/or classifying a wanted signal
US11546070B1 (en) 2020-05-01 2023-01-03 University Of South Florida Method of selecting an optimal propagated base signal using artificial neural networks

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11852750B2 (en) * 2019-06-28 2023-12-26 Smart Radar System, Inc. Method and apparatus for radar signal processing using recurrent neural network
TWI779547B (zh) * 2020-04-05 2022-10-01 昇佳電子股份有限公司 電容感測裝置操作方法
WO2021212410A1 (zh) * 2020-04-23 2021-10-28 华为技术有限公司 用于控制雷达跳频的方法和装置以及雷达测速方法和雷达
US11817988B2 (en) * 2021-12-14 2023-11-14 Raytheon Company Demodulation of frequency-hopping spread spectrum (FHSS) signals using sequential artificial intelligence/machine learning (AI/ML) models
CN115742794B (zh) * 2022-11-16 2023-08-29 江苏镭神智造科技有限公司 电动汽车充电口盖的控制系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180069645A (ko) 2016-12-15 2018-06-25 엘지전자 주식회사 디지털 사이니지 및 그 제어 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9485069B2 (en) * 2010-04-15 2016-11-01 Qualcomm Incorporated Transmission and reception of proximity detection signal for peer discovery
US10141929B2 (en) * 2013-08-13 2018-11-27 Samsung Electronics Company, Ltd. Processing electromagnetic interference signal using machine learning
US11169251B2 (en) * 2018-03-28 2021-11-09 Qualcomm Incorporated Proximity detection using multiple power levels
US10788880B2 (en) * 2018-10-22 2020-09-29 Google Llc Smartphone-based radar system for determining user intention in a lower-power mode

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180069645A (ko) 2016-12-15 2018-06-25 엘지전자 주식회사 디지털 사이니지 및 그 제어 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3825703A1 (en) * 2019-11-20 2021-05-26 Rohde & Schwarz GmbH & Co. KG Method and system for detecting and/or classifying a wanted signal
US11546070B1 (en) 2020-05-01 2023-01-03 University Of South Florida Method of selecting an optimal propagated base signal using artificial neural networks
US11791918B1 (en) 2020-05-01 2023-10-17 University Of South Florida Method of selecting an optimal propagated base signal using artificial neural networks

Also Published As

Publication number Publication date
US20200005030A1 (en) 2020-01-02
US11126834B2 (en) 2021-09-21

Similar Documents

Publication Publication Date Title
KR20190102147A (ko) 사용자 근접 검출 장치 및 방법
US11305775B2 (en) Apparatus and method for changing lane of autonomous vehicle
KR102605968B1 (ko) 차량 제어 장치
US10845815B2 (en) Systems, methods and controllers for an autonomous vehicle that implement autonomous driver agents and driving policy learners for generating and improving policies based on collective driving experiences of the autonomous driver agents
US11292494B2 (en) Apparatus and method for determining levels of driving automation
US11259003B2 (en) Apparatus and method for providing 3-dimensional around view through a user interface module included in a vehicle
KR102305850B1 (ko) 차량 내에서 인공 지능 기반의 음성 분리 방법 및 장치
KR20190103078A (ko) 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치
KR20210057955A (ko) 전기 자동차의 배터리 소모량 예측 장치, 시스템 및 방법
KR102212217B1 (ko) 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법
US11500376B2 (en) Apparatus and method for providing game service for managing vehicle
KR20190104267A (ko) 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법
KR102663969B1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
US20200003568A1 (en) Apparatus and method for invitation using autonomous vehicle
US20200031358A1 (en) Apparatus and method for detecting passenger type for automobile
US20210123757A1 (en) Method and apparatus for managing vehicle's resource in autonomous driving system
KR20190129020A (ko) 사고 예방을 위한 차량 제어 방법 및 장치
KR20210096493A (ko) 인공지능형 로봇 디바이스를 제어하는 방법
US20200018611A1 (en) Apparatus and method for collecting user interest information
KR20190106946A (ko) 지능형 디바이스 및 그 제어 방법
US20210103955A1 (en) Apparatus and method for providing contents linked with information of vehicle
US20190380016A1 (en) Electronic apparatus and method for providing information for a vehicle
Khalek et al. Advances in Machine Learning-Driven Cognitive Radio for Wireless Networks: A Survey
US20210157871A1 (en) Electronic device for providing response to user query and operating method thereof

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal