KR20190103078A - 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치 - Google Patents

자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치 Download PDF

Info

Publication number
KR20190103078A
KR20190103078A KR1020190099304A KR20190099304A KR20190103078A KR 20190103078 A KR20190103078 A KR 20190103078A KR 1020190099304 A KR1020190099304 A KR 1020190099304A KR 20190099304 A KR20190099304 A KR 20190099304A KR 20190103078 A KR20190103078 A KR 20190103078A
Authority
KR
South Korea
Prior art keywords
information
service
driving route
road surface
vehicle
Prior art date
Application number
KR1020190099304A
Other languages
English (en)
Inventor
김현규
송기봉
이철희
정상경
정준영
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
Publication of KR20190103078A publication Critical patent/KR20190103078A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096877—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement
    • G08G1/096888—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement where input information is obtained using learning systems, e.g. history databases
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
    • B60K35/20—Output arrangements, i.e. from vehicle to user, associated with vehicle functions or specially adapted therefor
    • B60K35/21—Output arrangements, i.e. from vehicle to user, associated with vehicle functions or specially adapted therefor using visual output, e.g. blinking lights or matrix displays
    • B60K35/22—Display screens
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
    • B60K35/85—Arrangements for transferring vehicle- or driver-related data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G08G1/096844—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the complete route is dynamically recomputed based on new data
    • 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]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/28—Wheel speed
    • B60W2550/142—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/14—Cruise control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Combustion & Propulsion (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

자율주행시스템(Automated Vehicle & Highway Systems)에서 차량의 서비스 제공방법이 개시된다. 본 발명의 일 실시예에 따른 서비스 제공방법은 센서를 이용하여 사용자의 상태 정보를 획득하고, 주행경로의 노면상태 정보를 획득하며, 상기 주행경로의 트래픽(traffic) 정보를 획득하고, 상기 주행경로의 위험등급을 예측하며, 상기 사용자의 상태 정보, 상기 노면상태 정보, 상기 트래픽 정보 및 상기 위험등급에 근거하여 상기 사용자에게 제공되는 서비스를 결정한다. 이를 통해, 본 발명은 AI 기술을 이용하여 사용자에게 최적의 서비스를 제공 할 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 서비스 제공방법 및 이를 위한 장치{METHOD AND APPARATUS FOR PROVIDING SERVICE OF VEHICLE IN AUTONOMOUS DRIVING SYSTEM}
본 발명은 자율주행시스템에 관한 것으로서 AI 기술을 이용한 차량의 서비스 제공방법 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 AI 기술을 이용하여 자율주행을 위한 도로정보를 획득하는 방법을 제안한다.
또한, 본 발명의 목적은, 자율주행시스템에서 AI 기술을 이용하여 획득된 도로정보를 통해 사용자에게 최적의 서비스를 제공하는 방법을 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 차량의 서비스 제공방법에 있어서, 센서를 이용하여 사용자의 상태 정보를 획득하는 단계; 주행경로의 노면상태 정보를 획득하는 단계; 상기 주행경로의 트래픽(traffic) 정보를 획득하는 단계; 상기 주행경로의 위험등급을 예측하는 단계; 및 상기 사용자의 상태 정보, 상기 노면상태 정보, 상기 트래픽 정보 및 상기 위험등급에 근거하여 상기 사용자에게 제공되는 서비스를 결정하는 단계; 를 포함하며, 상기 서비스는 주행경로 변경을 위한 서비스, 음식 추천을 위한 서비스, 음식점 추천을 위한 서비스 또는, 컨텐츠(contents)를 제공 또는 추천하기 위한 서비스를 포함할 수 있다.
또한, 상기 노면상태 정보는 노면의 위치정보, 상기 노면의 균일도 정보, 상기 노면의 미끄러움 정보, 상기 노면의 기울어짐 정보 또는 상기 노면의 경사도 정보를 포함할 수 있다.
또한, 현재 위치정보를 획득하는 단계; 상기 위치정보에 대응되는 상기 노면의 균일도 정보를 획득하는 단계; 및 상기 노면의 균일도 정보에 근거하여, 상기 균일도가 허용범위를 초과하는 경우, 상기 노면이 불균일함을 지시하는 경고 메시지를 생성하는 단계;를 더 포함하며, 상기 허용범위는 상기 서비스에 근거하여, 설정될 수 있다.
또한, 상기 노면의 균일도 정보 획득에 실패하는 경우, 센싱 데이터를 획득하고, 상기 센싱 데이터에 근거하여, 상기 노면의 균일도 정보를 예측하는 단계; 를 더 포함할 수 있다.
또한, 바퀴 회전수에 따른 이동거리 범위를 획득하는 단계; 상기 차량의 실제 이동거리를 획득하는 단계; 및 동일한 바퀴 회전수에 근거하여, 상기 실제 이동거리가 상기 이동거리 범위를 초과하는 경우, 상기 노면이 미끄러움을 지시하는 메시지를 생성하는 단계;를 더 포함할 수 있다.
또한, 현재 위치정보를 획득하는 단계; 상기 위치정보에 대응되는 상기 노면의 기울어짐 정보를 획득하는 단계; 및 상기 노면의 기울어짐 정도가 허용범위를 초과하는 경우, 상기 노면이 기울어짐을 지시하는 경고 메시지를 생성하는 단계;를 더 포함하며, 상기 노면의 기울어짐 정보는 단위시간 동안 바퀴의 회전 각도값의 변화량에 근거하며, 상기 허용범위는 상기 서비스에 근거하여 설정될 수 있다.
또한, 상기 서비스를 결정하는 단계는 상기 주행경로가 불안정한 상태인 경우, 상기 주행경로 변경을 위한 서비스를 선택하며, 상기 불안정한 상태는 상기 노면이 불균일함을 지시하는 경고 메시지, 상기 노면이 기울어짐을 지시하는 경고 메시지 또는 상기 위험등급에 근거할 수 있다.
또한, 상기 주행경로 변경을 위한 서비스는 상기 트래픽 정보 또는 도착 예정 시간에 근거하여, 상기 주행경로를 자동변경하거나 상기 사용자에게 상기 주행경로 변경을 제안할 수 있다.
또한, 상기 서비스를 결정하는 단계는 상기 주행경로의 도로환경 정보에 근거하여, 상기 음식 추천을 위한 서비스를 선택하며, 상기 도로환경 정보는 상기 노면상태 정보 또는 상기 주행경로의 도로정보를 포함할 수 있다.
또한, 상기 도로환경 정보에 근거하여, 추천 음식 리스트를 생성하는 단계;를 더 포함할 수 있다.
또한, 상기 사용자의 상태 정보가 음식을 섭취중인 상태를 지시하는 경우, 상기 노면이 불균일함을 지시하는 경고 메시지, 상기 노면이 기울어짐을 지시하는 경고 메시지 또는 상기 위험등급에 근거하여, 알림 메시지를 생성하는 단계;를 더 포함할 수 있다.
또한, 상기 서비스를 결정하는 단계는 상기 노면의 상태정보, 음식점의 위치정보 및 상기 음식점에서 판매되고 있는 음식정보에 근거하여, 음식점 추천을 위한 서비스를 선택할 수 있다.
또한, 상기 사용자의 상태 정보가 컨텐츠를 시청하고 있는 경우, 상기 컨텐츠의 재생을 중지하고, 상기 노면의 상태정보와 현재 센싱된 영상데이터를 디스플레이 하는 단계;를 더 포함하며, 상기 서비스를 결정하는 단계는 상기 노면이 불균일함을 지시하는 경고 메시지 또는 상기 노면이 기울어짐을 지시하는 경고 메시지에 근거하여, 상기 컨텐츠를 제공 또는 추천하기 위한 서비스를 선택할 수 있다.
또한, 상기 컨텐츠를 제공 또는 추천하기 위한 서비스는 상기 주행경로의 도로환경 정보에 근거하여, 컨텐츠를 디스플레이하거나, 추천 컨텐츠 리스트를 디스플레이 하며, 상기 도로환경 정보는 상기 노면상태 정보 또는 상기 주행경로의 도로정보를 포함할 수 있다.
또한, 상기 노면상태 정보, 상기 트래픽 정보 또는 상기 위험등급은 다른 차량과의 V2X(Vehicle to Everything) 통신을 통해, 직접 획득될 수 있다.
또한, 상기 주행경로의 트래픽 정보를 획득하는 단계는 다른 차량들로부터 V2X 통신을 통해 획득된 트래픽 정보 또는 교통서버로부터 제공되는 트래픽 정보를 근거로 할 수 있다.
본 발명의 또 다른 일 양상은 자율주행시스템(Automated Vehicle & Highway Systems)에서 서비스를 제공하는 차량에 있어서, 복수개의 센서들로 이루어진 센싱부;통신부;메모리;프로세서를 포함하고, 상기 프로세서는 상기 센싱부를 이용하여 사용자의 상태 정보를 획득하고, 주행경로의 노면상태 정보를 획득하며, 상기 주행경로의 트래픽(traffic) 정보를 획득하고, AI 프로세서를 통해 상기 주행경로의 위험등급을 예측하며, 상기 사용자의 상태 정보, 상기 노면상태 정보, 상기 트래픽 정보 및 상기 위험등급에 근거하여 상기 사용자에게 제공되는 서비스를 결정하고, 상기 서비스는 주행경로 변경을 위한 서비스, 음식 추천을 위한 서비스, 음식점 추천을 위한 서비스 또는, 컨텐츠를 제공 또는 추천하기 위한 서비스를 포함할 수 있다.
본 발명의 일 실시예에 따른 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치의 효과에 대해 설명하면 다음과 같다.
본 발명은 자율주행시스템에서 AI 기술을 이용하여 자율주행을 위한 도로정보를 효과적으로 획득하는 효과가 있다.
또한, 본 발명은 자율주행시스템에서 AI 기술을 이용하여 획득된 도로정보를 통해 사용자에게 최적의 서비스를 제공 할 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 8는 본 발명이 적용될 수 있는 노면 균일도 판단방법의 예시이다.
도 9는 본 발명서 적용될 수 있는 노면 균일도 예측 학습 방법에 대한 예시이다.
도 10은 본 발명이 적용될 수 있는 노면 균일도 예측방법에 대한 예시이다.
도 11은 본 발명이 적용될 수 있는 노면 미끄러운 정도 판단방법에 대한 예시이다.
도 12는 본 발명이 적용될 수 있는 기울어짐 정도 판단방법에 대한 예시이다.
도 13은 본 발명이 적용될 수 있는 기울어짐 정도 예측방법에 대한 예시이다.
도 14는 본 발명이 적용될 수 있는 교통 정체 판단방법의 예시이다.
도 15는 본 발명이 적용될 수 있는 주행경로의 위험등급 판단방법의 예시이다.
도 16은 본 발명이 적용될 수 있는 일 실시예이다.
도 17은 본 발명이 적용될 수 있는 일 실시예이다.
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.
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 운전 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.
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.
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.
종래 자율주행차량은 자율주행 상태에서 탑승자를 위한 기구들만 제공 할 뿐, 탑승자의 행동에 지장을 주지 않기 위한 제어방법을 제공하지 못하고 있다. 또한, 자율주행 상태에서 탑승자의 성향 및 상태를 파악하여 그에 따른 서비스 제공방안도 미비하였다.
따라서, 본 발명은 DNN을 통해 차량(10)의 센싱데이터 및 주행에 필요한 데이터들을 학습시킨 후, AI 기술을 활용하여 자율 주행 경로 및 환경을 미리 예측하며, 이렇게 예측된 결과값에 따라 탑승자들이 최적의 서비스를 제공받을 수 있도록 한다. 이를 위해, 차량(10)은 내부의 센서들을 통하여, 사용자의 현재 상태 정보를 획득할 수 있고, 이러한 상태정보를 입력값으로 하여, AI 프로세서(261)는 사용자의 현재 상태를 예측할 수 있다.
이하에서 본 발명은 다음과 같은 서비스 및 제어방법을 제안한다.
- 노면의 상태를 정의하기 위한 방법
- 주행경로 중 커브여부를 파악하기 위한 방법
- 주행경로 중 경사로를 파악하기 위한 방법
- 교통 정체를 판단하기 위한 방법
- 주행경로의 위험등급 판단하기 위한 방법
- 주행 경로변경 서비스
- 음식 / 음식점 추천 서비스
- 컨텐츠 제안(추천) / 제한 서비스
예를 들어, 자율주행을 이용하는 사용자는 주행환경을 신경쓰지 않고, 음료 또는 음식물을 섭취할 수 있다. 차량(10)은 사용자의 상태정보를 인식하고, 사용자의 상태에 따라, 주행환경을 제어할 수 있다. 만일 사용자가 섭취하는 음식물이 불안정한 주행상태에서 섭취하기 힘든 음식물인 경우, 차량은 종래의 주행 경로를 수정하고 안정한 주행이 가능한 새로운 경로로 사용자를 안내할 수 있다.
도 8는 본 발명이 적용될 수 있는 노면 균일도 판단방법의 예시이다.
앞서 설명한 바와 같이, 차량(10)의 주행상태 안정성은 노면 상태의 영향을 받을 수 있고, 차량(10)이 안정한 주행경로를 제시하기 위해서는 주행경로의 노면 상태에 대한 정보를 획득할 수 있어야 한다. 이를 위해서는 차량(10)은 AI 프로세서(261)를 통해, 노면 상태를 분석할 수 있어야 하며, AI 장치(20) 내의 딥러닝 모델을 통해, 노면 상태에 대한 학습이 필요하다. 노면의 상태정보는 후술할 노면의 위치정보, 균일도, 미끄러움 정보, 기울어짐 정보, 경사도 정보를 포함한다.
S810 : 차량(10)은 센서를 통해, 노면의 균일도를 측정한다. 이를 위한 센서는 자이로스코프(Gyroscope) 센서, 운동 센서 등이 포함될 수 있다. 측정된 균일도 측정값은 예를 들어, 0부터 9까지의 값을 갖을 수 있다. 당해 측정값이 작을 수록, 측정된 노면이 균일함을 지시할 수 있고, 측정값이 클수록, 측정된 노면이 불균일함을 지시할 수 있다.
S821 : 노면의 균일도 측정값은 노면상태 DB(Data Base)에 저장되기 위해, 위치정보를 함께 포함하여야 한다. 이를 위해, 차량(10)은 GPS를 이용하여, 측정된 노면에 대한 위치정보를 획득할 수 있다. 이러한 위치정보는 당해 노면의 도로정보 및 차선정보를 포함한다.
S822 : 위치정보가 포함된 노면 균일도 측정값은 노면상태 DB에 저장된다. 노면상태 DB는 차량(10)의 메모리(140)에 저장될 수도 있고, 또는 별도의 서버나 클라우드를 통해, 관리 될 수도 있다.
S831 : 추가적으로 차량(10)은 영상 센서(예를 들어, Radar/Lidar/Camera 센서)등을 통해 측정된 노면에 대한 센싱데이터를 획득할 수 있다.
S832 : 이렇게 획득된 센싱데이터는 노면 균일도 측정값과 결합하여, AI 기술을 통해, AI 장치(20) 또는 AI 프로세서(261)에서 영상기반의 센싱데이터만으로 노면 균일도가 예측되도록 학습될 수 있다.
도 9는 본 발명서 적용될 수 있는 노면 균일도 예측 학습 방법에 대한 예시이다.
도 9(a)를 참고하면, 노면 균일도 예측 모델은 영상기반의 센싱데이터와 실제 측정된 노면의 균일도 측정값을 통해, 노면의 균일도를 예측할 수 있도록 학습될 수 있다. 이러한 노면 균일도 예측 모델은 AI 장치(20) 또는 AI 프로세서(261)에 포함될 수 있다.
노면 균일도 예측 모델은 전술한 DNN 모델이 이용될 수 있다. DNN 모델의 입력층을 통해, 당해 노면의 영상기반 센싱데이터와 노면 균일도 측정값이 입력될 수 있고, 이러한 입력값들은 은닉층을 통과하며, 영상기반 센싱데이터만으로 노면의 균일도 정도가 예측될 수 있는 출력값을 도출할 수 있도록 학습될 수 있다.
도 9(b)를 참고하면, 예를 들어, 노면 균일도 예측 모델은 노면 균일도 측정값이 0 인 노면에 대한 영상기반 센싱데이터를 입력받은 경우, "이러한 형태를 나타내는 영상이 센싱된 노면은 균일한 노면이다"를 학습할 수 있다. 반대로, 노면 균일도 측정값이 9인 노면에 대하여 영상기반 센싱데이터를 입력받은 경우, "이러한 형태를 나타내는 영상이 센싱된 노면은 불균일한 노면이다"를 학습할 수 있다.
도 10은 본 발명이 적용될 수 있는 노면 균일도 예측방법에 대한 예시이다.
S1010 : 차량(10)은 서버 또는 메모리(140)에 저장된 노면상태 DB를 획득한다. 노면상태 DB는 노면의 상태정보를 관리할 수 있다.
S1020 : 주행중인 차량은 GPS를 이용하여, 실시간으로 자신의 현재 위치정보를 획득할 수 있다.
S1030 : 차량(10)은 획득된 위치정보를 바탕으로 노면상태 DB내에 자신이 주행하고 있는 또는 주행예정인 도로의 노면 균일도 정보가 있는지를 판단한다.
S1040 : 만일, 노면상태 DB내에 차량(10)이 주행에 필요로 하는 노면 균일도 정보가 존재하는 경우, 차량(10)은 이를 획득하여, 허용범위 내인지 판단한다.
여기서 허용범위란, 차량(10)이 사용자의 상태정보에 근거하여, 사용자에게 제공되는 서비스가 요구하는 노면 균일도 측정값의 범위로서, 이는 사용자 상태정보 또는 제공중인, 제공예정인 서비스 종류에 따라 다르게 설정될 수 있다. 허용범위 초과여부에 따라, 차량(10)은 경고메시지를 생성할 수 있고, 이를 사용자에게 알리거나, 이를 근거로 주행상태 변경을 트리거 할 수 있다.
S1050 : 노면상태 DB내에 노면 균일도 정보가 존재하지 않는다면, 차량(10)은 영상기반 센서를 통해, 센싱데이터를 획득하고 노면 균일도 예측 모델을 통해, 주행 중인 또는 주행 예정인 도로의 노면 균일도를 예측할 수 있다.
S1060 : 예측된 노면 균일도 측정값이 전술한 허용범위 내인지 판단하며, 이를 통해 경고메시지를 생성할 수 있다.
도 11은 본 발명이 적용될 수 있는 노면 미끄러운 정도 판단방법에 대한 예시이다.
S1110 : 차량(10)은 AI 프로세서(261)를 통해, 당해 차량에서 바퀴 회전수에 따른 적정 이동거리를 예측할 수 있다.
이는 사전에 차종 별로 적정 이동거리가 설정될 수도 있고, 차량(10)의 주행 중, 바퀴 회전수 값과 이에 대응하여, GPS를 통해 측정된 이동거리를 입력값으로 하여, AI 프로세서 내의 딥러닝을 통해 예측될 수도 있다. 적정 이동거리는 당해 차량이 보통의 도로에서 바퀴회전 수 별로 이동할 수 있다고 기대될 수 있는 이동거리의 범위로서, 마른 상태의 일반 아스팔트 도로를 기준으로 한다.
S1120 : 차량(10)은 주행중 GPS 정보를 통해, 실제 이동거리를 측정하고, 이는 바퀴 회전수에 따라 분류될 수 있다.
S1130 : 프로세서(170)는 동일한 바퀴 회전수를 기준으로 실제 이동거리가 적정 이동거리의 범위 내인지를 판단한다.
만일, 적정 이동거리의 범위 내라면, 프로세서(170)는 노면이 미끄럽지 않음을 알리는 메시지를 생성할 수 있고, 적정 이동거리 범위 밖이라면, 노면이 미끄러움을 알리는 메시지를 생성할 수 있다.
도 12는 본 발명이 적용될 수 있는 기울어짐 정도 판단방법에 대한 예시이다.
여기서 기울어짐 정도란, 차량(10)이 주행 중, 차선을 변경하거나 커브 구간을 진입할 경우, 사용자에게 영향을 줄 수 있는 차량(10)의 기울어짐 정도를 의미한다.
차량(10)은 스티어링 시스템(Steering system)의 센싱을 통해, 기울어짐 정도를 판단한다.
스티어링 시스템은 스티어링 휠(wheel)의 회전을 차량의 바퀴 회전으로 변환하는 것이다. 또한 스티어링 시스템은 사용자가 원하는 방향으로 최소의 노력을 통해, 바퀴를 회전시킬 수 있게 한다. 이러한 스티어링 시스템은 사용자가 차량의 조향경로를 제어하고, 이를 지속적으로 조정할 수 있도록 설계되며, 이를 위한 구성요소들을 포함한다.
S1210 : 프로세서(170)는 스티어링 시스템에 부착된 센서등을 통해, 바퀴의 회전 각도값을 획득한다.
S1221 : 이러한 회전 각도값은 노면상태 DB에 저장되기 위해, 위치정보를 함께 포함하여야 한다. 이를 위해, 차량(10)은 GPS를 이용하여, 측정된 노면에 대한 위치정보를 획득할 수 있다. 이러한 위치정보는 당해 노면의 도로정보 및 차선정보를 포함한다.
S1222 : 위치정보가 포함된 회전 각도값은 노면상태 DB에 저장된다. 노면상태 DB는 차량(10)의 메모리(140)에 저장될 수도 있고, 또는 별도의 서버나 클라우드를 통해, 관리 될 수도 있다.
S1231 : 추가적으로 차량(10)은 영상 센서(예를 들어, Radar/Lidar/Camera 센서)등을 통해 측정된 노면에 대한 센싱데이터를 획득할 수 있다.
S1232 : 이렇게 획득된 센싱데이터는 회전 각도값과 결합하여, AI 기술을 통해, AI 장치에서 영상기반의 센싱데이터만으로 노면에 따른 기울어짐 정도가 예측되도록 학습될 수 있다. 이러한 기울어짐 정도값은 예를 들어, 0부터 9까지의 값을 가질 수 있고, 단위시간 동안의 회전 각도값 변화량이 클수록 차량(10)의 사용자가 느끼는 기울어짐 정도도 크므로, 단위시간 동안의 회전 각도값의 변화량을 이용하여, 연산 될 수 있다.
도 13은 본 발명이 적용될 수 있는 기울어짐 정도 예측방법에 대한 예시이다.
S1310 : 차량(10)은 서버 또는 메모리(140)에 저장된 노면상태 DB를 획득한다.
S1320 : 주행중인 차량은 GPS를 이용하여, 실시간으로 자신의 현재 위치정보를 획득할 수 있다.
S1330 : 차량(10)은 획득된 위치정보를 바탕으로 노면상태 DB내에 자신이 주행하고 있는 또는 주행예정인 도로의 노면 기울어짐 정보가 있는지를 판단한다.
S1340 : 만일, 노면상태 DB내에 차량(10)이 주행에 필요로 하는 노면 기울어짐 정보가 존재하는 경우, 차량(10)은 이를 획득하여, 허용범위 내인지 판단한다.
허용범위 초과여부에 따라, 차량(10)은 경고메시지를 생성할 수 있고, 이를 사용자에게 알리거나, 이를 근거로 주행상태 변경을 트리거 할 수 있다.
S1350 : 노면상태 DB내에 노면 기울어짐 정보가 존재하지 않는다면, 차량(10)은 영상기반 센서를 통해, 센싱데이터를 획득하고 노면 기울어짐 예측 모델을 통해, 주행 중인 또는 주행 예정인 도로의 노면 기울어짐 정도를 예측할 수 있다.
노면 기울어짐 예측 모델은 전술한 노면 균일도 예측 모델과 유사하게, 영상기반 센싱데이터와 바퀴의 회전 각도값을 입력값으로 하여, 딥러닝을 수행할 수 있다.
S1360 : 프로세서(170)는 예측된 노면 기울어짐 정도가 전술한 허용범위 내인지 판단하며, 이를 통해 경고메시지를 생성할 수 있다.
본 발명의 차량(10)은 AI 기술을 이용하여, 주행경로의 경사도를 예측할 수 있다. 이를 위해, AI 프로세서(261)에서는 영상기반의 센싱데이터를 입력값으로 하여, 주행방향 도로의 경사도를 예측할 수 있다. 예를 들어, 전방 카메라 센서를 통해 획득될 수 있는 지평선에 대한 높이값을 입력값으로 하여, 평지 주행시를 기준으로 당해 높이가 높을 경우, 주행방향 도로는 오르막 경사도를 갖는다고 예측할 수 있다. 반대로, 높이가 낮을 경우, 주행방향 도로는 내리막 경사도를 갖는다고 예측할 수 있다. 센싱데이터에서 획득되는 지평선 높이의 고저 정도는 수치화되어 경사도 값으로 예측될 수 있다. 경사도 예측값의 정확도를 보다 높이기 위해, 추가적으로 차량(10)의 엔진 부하값도 입력값으로 고려될 수 있다. 즉, AI 프로세서(261)는 엔진에 걸리는 부하의 정도에 따라서, 주행경로의 경사도를 예측할 수 있다.
또는 서버, 클라우드를 이용하여 획득할 수 있는 도로정보를 통해, 주행 경로에 대한 경사도 값을 획득할 수도 있다.
이렇게 획득된 경사도 값은 후술할 사용자에게 제공할 서비스에 이용될 수 있다.
도 14는 본 발명이 적용될 수 있는 교통 정체 판단방법의 예시이다.
S1410 : 차량(10)은 AI 장치(20)에서 제공하는 주행경로의 트래픽(traffic) 정보를 획득한다. 이러한 주행경로의 트래픽 정보는 자율주행차량들로부터 V2X 통신을 통해 획득된 트래픽 정보, 교통서버로부터 제공되는 과거 트래픽 정보를 입력값으로 하여, 딥러닝을 통해 제공될 수 있다.
S1420 : 추가적으로 차량(10)은 교통서버에서 제공하는 주행경로의 현재 트래픽 정보를 획득할 수 있다.
S1430 : AI 프로세서(261)는 AI 장치(20)에서 제공되는 트래픽 정보와 교통서버에서 제공하는 현재 트래픽 정보를 입력값으로 하여, 주행경로의 트래픽 정보를 예측할 수 있다.
S1440 : 예측된 트래픽 정보 및 실제 주행을 통해 획득되는 트래픽 정보는 AI 장치(20)에서 예측되는 트래픽 정보에 대한 정확도를 높이는 입력값으로 재사용될 수 있다.
도 15는 본 발명이 적용될 수 있는 주행경로의 위험등급 판단방법의 예시이다.
S1510 : 차량(10)은 AI 장치(20)를 통해 주행경로의 위험등급 및 트래픽 정보를 획득한다. 여기서 위험등급이란, 기존에 AI 장치(20) 또는 AI 프로세서(261)를 통해 학습된 주행경로 운행시 주의 정도를 의미한다. 즉, 위험등급이 높은 경로 일수록, 당해 경로를 주행하는 차량(10)의 사용자에게는 안전한 주행을 위한 제어방법 및 서비스가 요구될 수 있다. 이러한 위험등급 또한 전술한 트래픽 정보와 마찬가지로 자율주행차량들로부터 수신된 센싱정보, 교통서버에서 제공하는 교통정보를 입력값으로 하여, 딥러닝을 통해 생성될 수 있다.
S1520 : 차량(10)은 주행경로에 존재하는 위험시설 정보를 획득한다. 이는 다른 자율주행차량으로부터 V2X 통신을 통해 획득하거나, 교통서버 또는 당해 차량(10)에서 생성되는 센싱정보를 통해 실시간으로 획득될 수 있다.
S1530 : 차량(10)의 AI 프로세서(261)는 1단계 및 2단계에서 획득된 정보들을 입력값으로 하여, 주행경로의 위험등급을 예측할 수 있다.
도 16은 본 발명이 적용될 수 있는 일 실시예이다.
도 8 및 도 9에 의해 차량(10)은 주행경로의 노면 균일도 측정값을 획득할 수 있다. AI 프로세서(261)는 노면 균일도 측정값에 따라, 사용자에게 음식 추천 서비스 및 컨텐츠 추천 서비스를 제공할 수 있다.
예를 들어, AI 프로세서(261)는 당해 주행경로의 노면 균일도 측정값이 0에 가까운 경우, 사용자에게 국물있는 음식(예를 들어, 국물있는 면요리)이 포함된 추천음식 리스트를 제공할 수 있다. 다만, 노면 균일도 측정값이 9에 가까운 경우, 사용자는 불균일한 노면을 주행하는 차량(10)내에서 국물있는 음식 섭취가 어려울 것인바, 간단히 섭취할 수 있는 음식(예를 들어, 김밥, 햄버거)이 포함된 추천 음식 리스트를 제공할 수 있다.
또한, AI 프로세서(261)는 당해 주행경로의 노면 균일도 측정값이 0에 가까운 경우, 사용자에게 멜로, 가족, 코미디 영화로 구분될 수 있는 추천 컨텐츠 리스트를 제공할 수 있다. 다만, 노면 균일도 측정값이 9에 가까운 경우, 액션,스릴러 영화로 구분될 수 있는 추천 컨텐츠 리스트를 제공할 수 있다.
상기 서비스들은 차량의 주행속도도 유사한 방식으로 함께 고려될 수 있다.
추천 음식 리스트 및 추천 컨텐츠 리스트는 빅데이터를 기반으로한 AI 기술을 통해 작성될 수 있고, 서비스 제공업자로부터 직접 제공받을 수도 있다. 따라서, 이를 위해 차량(10)은 서버와 연결되어, 필요한 데이터들의 송수신이 가능한 상태가 요구될 수 있다.
도 17은 본 발명이 적용될 수 있는 일 실시예이다.
S1710 : 프로세서(170)는 센서를 이용하여 사용자의 상태 정보를 획득한다. 이는 AI 프로세서(261)를 통해, 상기 센서의 센싱 데이터들을 입력값으로 하여, 출력값으로 사용자의 상태 정보를 생성할 수 있다. 또는 사용자가 직접 자신의 상태 정보를 입력함으로써 획득될 수 도 있다.
S1720 : 프로세서(170)는 주행경로의 노면상태 정보를 획득한다. 이러한 노면상태 정보는 노면상태 DB를 통해 주기적으로 갱신되어 관리될 수 있다.
S1730 : 프로세서(170)는 주행경로의 트래픽 정보를 획득한다. 이러한 트래픽 정보 또한 주기적으로 획득되어 갱신될 수 있다.
S1740 : 프로세서(170)는 주행경로의 위험등급을 예측한다. 이러한 위험등급도 주기적으로 갱신될 수 있다.
S1750 : 상기 프로세서(170)는 AI 프로세서(261) 또는 AI 장치(20)를 이용하여, 획득된 사용자의 상태 정보, 노면상태 정보, 트래픽 정보 및 위험등급을 입력값으로 하여, 딥러닝을 통해 사용자에게 제공되는 최적의 서비스를 결정할 수 있다.
전술한 바와 같이 본 발명은 도 7을 이용한 AI 기술을 통해, 도 8 내지 도 15에서 설명하고 있는 주행정보를 사용자에게 제공할 수 있고, 이를 이용한 서비스를 제공할 수도 있다.
본 발명은 도 17에서 제공되는 서비스들에 대한 예로서 주행 경로 변경 서비스, 음식 추천 서비스, 음식점 추천 서비스, 컨텐츠 추천 서비스를 제시하고 있으나, 이와 유사한 범위내의 서비스 제공도 가능할 것이다.
서비스 종류
1. 주행 경로 변경 서비스
a) 주행경로 불안정:
AI 프로세서(261)는 노면상태 정보를 분석하여, 차량(10)의 주행경로가 안전한 주행을 하기에 불안정한 상태라고 판단한 경우, 프로세서(170)는 기존 주행경로를 안정한 상태인 주행경로로 자동 변경하거나 사용자에게 다른 주행경로를 제안 할 수 있다.
이와 관련하여, 본 발명에서 제안하는 실시예 1은 다음과 같다.
주행경로가 불안정한 상태는 예를 들어:
1) 도 10에 따라, 주행경로 노면 상태의 불균일 정도가 허용 범위를 초과하여, 경고메시지가 생성된 경우;
2) 도 11에 따라, 갑작스런 기상악화(폭우, 폭설 등)로 인해 주행경로의 노면 미끄러움 알림메시지가 생성된 경우;
3) 도 15에 따라, 주행경로의 위험등급이 AI 프로세서(261)에서 판단하기에 안전한 주행이 불가능한 위험등급을 갖는 경우; 일 수 있다.
주행경로가 불안정한 상태인 경우, 프로세서(170)는 현재 주행경로를 안정한 상태를 갖는 주행경로로 자동 변경할 수 있다. 안정한 상태인 주행경로는 전술한 불안정 상태인 구간이 포함되지 않는 최단거리를 갖는 주행경로를 의미할 수 있다.
본 발명이 제안하는 실시예 2는 다음과 같다.
주행경로 자동변경은 아래 4가지 상황 중 하나를 만족하고 변경 예정인 주행경로를 통해도 기존 도착 예정 시간 안에 도착 가능할 것으로 예측되는 경우 수행될 수 있다.
주행경로 변경제안은 아래 4가지 상황 중 하나를 만족하고 변경예정인 주행경로를 통하면, 기존 도착 예정 시간보다 늦을 경우, 수행될 수 있다.
상기 상황의 예시는 아래와 같다.
1) 기존 경로의 노면 불안정 상태가 지속 될 것으로 예상되는 경우;
2) 노면 불안정으로 인한 도착 예정 시간 지연이 예상되는 경우;
3) 노면 불안정으로 인하여 탑승자가 사전에 주문한 음식을 안정적으로 섭취하기 어려운 경우;
4) 노면 불안정으로 인하여 탑승자가 사전에 선택한 컨텐츠가 적절하지 않을 경우;
b) 주행경로 교통정체:
차량(10)의 주행경로에 교통정체가 발생한 경우, 프로세서(170)는 기존 주행경로를 교통정체가 없는 주행경로로 자동 변경하거나 사용자에게 교통정체가 없는 주행경로를 제안 할 수 있다.
이와 관련하여, 본 발명이 제안하는 실시예 3은 다음과 같다.
주행경로에 교통정체가 발생한 상태는 예를 들어, 주행경로에 갑작스런 기상악화(폭우, 폭설, 등)로 인한 차량 서행, 주변 사고 차량 발생으로 인한 차량 서행, 주변 도로 공사로 인한 차량 서행, AI 장치(20) 또는 교통서버에서 제공될 수 있는 시간 별 도로 교통 상태 정보를 기반으로 교통 체증이 예측되는 경우일 수 있다.
주행경로에 교통정체가 발생한 상태인 경우, 프로세서(170)는 자동으로 교통정체가 발생하지 않은 주행경로로 변경할 수 있다. 교통정체가 발생하지 않능 주행경로는 전술한 교통정체가 발생한 구간이 포함되지 않는 최단거리를 갖는 주행경로를 의미할 수 있다.
본 발명이 제안하는 실시예 4는 다음과 같다.
주행경로 자동변경은 아래 3가지 상황 중 하나를 만족하고 변경 예정인 주행경로를 통해도 기존 도착 예정 시간 안에 도착 가능할 것으로 예측되는 경우 수행될 수 있다.
주행경로 변경제안은 아래 3가지 상황 중 하나를 만족하고 변경예정인 주행경로를 통하면, 기존 도착 예정 시간보다 늦을 경우, 수행될 수 있다.
1) 교통정체가 일정시간 계속 될 경우;
2) 교통정체로 인하여, 도착 예정 시간 지연이 예상되는 경우;
3) 교통정체로 인하여, 주행상태와 탑승자가 사전에 선택한 컨텐츠가 매칭되지 않을 경우;
상기 실시예들은 각각의 실시예와 결합되어 수행될 수 있고, 또는 개별적으로 수행될 수 있다. 또한, 서비스 제공 업체에 따라, 제공될 수 있는 이와 유사한 서비스 제공도 본 발명은 포함할 수 있다.
2. 음식 추천 서비스
a) 주행경로에 따른 음식 추천 서비스:
차량(10)은 사용자에게 주행경로 도로환경에서 편안하게 식사할 수 있는 추천 음식 리스트를 제공할 수 있다. 이를 위해, 상기 주행경로의 상태정보로 분류되는 음식들이 포함된 음식정보가 이용될 수 있다. 주행경로의 도로환경은 예를 들어, 아래와 같이 정의될 수 있다.
1) 고 정밀지도와 네비게이션을 통한 도로정보를 분석하여 주행경로의 일정구간 이상이 직선경로이면서 평탄한 일반적인 길인 경우;
2) 고 정밀지도와 네비게이션을 통한 도로정보를 분석하여 주행경로의 일정구간 이상이 경사길이나 커브길을 포함하고 있을 경우;
3) 주행경로의 노면의 균일도가 허용범위를 초과할 경우;
상기와 같은 경우, 프로세서(170)는 다음과 같은 음식을 추천 음식 리스트에 포함할 수 있다.
1) 주행경로의 일정구간 이상이 직선경로이면서 평탄한 일반적인 길인 경우, 라면, 우동 등의 면류;
2) 경사길이나 커브길 그리고 노면의 균일도가 허용범위를 초과한 경우, 면류 또는 국물있는 메뉴를 지양하고, 패스트 푸드, 분식류;
b) 사용자 음식 섭취 시, 주행상태에 따른 알림 제공:
1) 사용자가 음식을 섭취하고 있는 경우, 노면 불균도 예측값 또는 노면 기울어짐 정도 예측값이 기설정된 허용 범위를 초과하는 경우, 이에 대한 알림메시지를 사용자에게 제공할 수 있다.
2) 예측된 주행경로의 위험등급이 일정 등급 이상이거나, 급변하는 경우, 이에 대한 알림메시지를 사용자에게 제공할 수 있다.
c) 도착시간에 따른 음식 추천 서비스:
프로세서(170)는 사용자에게 식사가 필요할 경우, 도착 예정시간을 고려하여 추천 음식 리스트를 제공할 수 있다. 예를 들어, 센싱데이터 또는 교통서버로부터 제공받은 교통상황정보를 통해, 주행경로에 사고가 감지되거나 교통정체로 도착 예정시간이 지연되는 것으로 판단되는 경우, 당해 교통상황이 나아지기 까지 시간이 필요하므로, 식사 시간이 오래걸리는 음식을 추천할 수 있다. 이와 달리 교통 상황이 좋다면, 빠르게 식사할 수 있는 음식을 추천할 수 있다. 이를 위해, 음식 섭취시간으로 분류되는 음식들이 포함된 음식정보가 이용될 수 있다.
3. 음식점 추천 서비스
프로세서(170)는 사용자에게 주행경로의 노면상태 정보를 고려하여, 적절한 음식점을 추천할 수 있다. 예를 들어, 노면상태가 불균일할 경우, 차량(10)내에서 음식 섭취가 용이하도록 햄버거와 같은 음식을 파는 패스트 푸드점을 추천할 수 있다.
이를 위해, 주행경로상에 위치하는 음식점들의 위치정보 및 판매하고 있는 음식정보 등은 서버 등을 통해 획득되거나, 메모리(140) 상에 저장되어 관리될 수 있다.
4. 컨텐츠 제공/추천 서비스
a) 주행경로 상태에 따른 컨텐츠 제공 서비스:
AI 프로세서(261)는 주행경로의 노면 균일도, 기울어짐 정도 및 경사도를 예측할 수 있다. 이러한 예측값이 허용범위를 초과하는 경우, 프로세서(170)는 사용자에게 제공되던 컨텐츠의 재생을 중지하고, 주행경로의 상태정보와 센싱된 영상 데이터를 제공할 수 있다.
b) 주행경로의 역동성에 따른 컨텐츠 추천 서비스:
주행경로의 일정범위 이상이 직선경로이고, 노면 균일도가 허용범위 내일 경우, 프로세서(170)는 격렬한 화면전환이 포함된 컨텐츠도 사용자에게 제공할 수 있다. 그러나 곡선 경로가 일정범위 이상이거나, 노면 균일도가 허용범위를 초과하는 경우, 프로세서(170)는 사용자에게 대안 주행경로를 제안하거나, 다른 컨텐츠를 추천할 수 있다. 이를 위해, 상기 주행경로를 구성하는 도로가 직선도로인지 여부를 지시하는 도로정보가 이용될 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. 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 (17)

  1. 자율주행시스템에서 차량의 서비스 제공방법에 있어서,
    센서를 이용하여, 사용자의 상태정보를 획득하고, 상기 사용자의 상태정보에 근거하여, 상기 사용자의 현재 행동정보를 판단하는 단계;
    주행경로의 상태정보를 획득하는 단계;
    상기 주행경로의 상태정보로부터 특징값을 추출하는 단계;
    상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 주행경로의 위험등급을 판단하는 단계; 및
    상기 사용자의 현재 행동정보, 상기 주행경로의 상태정보 또는 상기 위험등급에 근거하여, 상기 사용자에게 제공되는 서비스를 결정하는 단계;
    를 포함하며,
    상기 서비스는 주행경로 변경을 위한 서비스, 음식 추천을 위한 서비스, 음식점 추천을 위한 서비스 또는, 컨텐츠(contents)를 제공 또는 추천하기 위한 서비스를 포함하는 서비스 제공방법.
  2. 제1항에 있어서,
    상기 주행경로의 상태정보는 상기 주행경로의 트래픽(traffic) 정보, 상기 주행경로에 위치하는 노면의 위치정보, 상기 노면의 균일도 정보, 상기 노면의 미끄러움 정보, 상기 노면의 기울어짐 정보 또는 상기 노면의 경사도 정보를 포함하는 서비스 제공방법.
  3. 제2항에 있어서,
    상기 차량의 현재 위치정보를 획득하는 단계;
    상기 노면의 위치정보에 근거하여, 상기 차량의 현재 위치정보에 대응되는 상기 노면의 균일도 정보를 획득하는 단계; 및
    상기 노면의 균일도 정보에 근거하여, 상기 노면의 균일도가 허용범위를 초과하는 경우, 상기 노면이 불균일함을 지시하는 경고 메시지를 생성하는 단계;를 더 포함하며,
    상기 허용범위는 상기 서비스에 근거하여, 설정되는 서비스 제공방법.
  4. 제3항에 있어서,
    상기 노면의 균일도 정보 획득에 실패하는 경우,
    상기 센서를 이용하여, 상기 노면의 영상정보를 획득하는 단계;
    상기 영상정보로부터 상기 노면이 균일한지와 관련된 특징값을 추출하는 단계;
    상기 DNN 분류기를 통해, 상기 노면이 균일한지와 관련된 특징값을 입력값으로 하여, 상기 노면의 균일도 정보를 판단하는 단계;
    를 더 포함하는 서비스 제공방법.
  5. 제2항에 있어서,
    상기 차량의 바퀴 회전수에 대응되는 적정 이동거리 범위를 획득하는 단계;
    상기 주행경로에서 상기 바퀴 회전수에 대응되는 실제 이동거리를 획득하는 단계; 및
    동일한 바퀴 회전수에 근거하여, 상기 실제 이동거리가 상기 적정 이동거리 범위를 초과하는 경우, 상기 노면이 미끄러움을 지시하는 메시지를 생성하는 단계;를 더 포함하며,
    상기 적정 이동거리 범위는 마른 상태의 아스팔트 노면에 근거하는 서비스 제공방법.
  6. 제2항에 있어서,
    상기 차량의 현재 위치정보를 획득하는 단계;
    상기 노면의 위치정보에 근거하여, 상기 차량의 현재 위치정보에 대응되는 상기 노면의 기울어짐 정보를 획득하는 단계; 및
    상기 노면의 기울어짐 정보에 근거하여, 상기 노면의 기울어짐 정도가 허용범위를 초과하는 경우, 상기 노면이 기울어짐을 지시하는 경고 메시지를 생성하는 단계;를 더 포함하며,
    상기 노면의 기울어짐 정보는 단위시간 동안 바퀴의 회전 각도값의 변화량에 근거하며, 상기 허용범위는 상기 서비스에 근거하여 설정되는 서비스 제공방법.
  7. 제3항, 제5항 또는 제6항에 있어서,
    상기 서비스를 결정하는 단계는
    상기 주행경로가 불안정한 상태 또는 교통정체 발생상태인 경우,
    상기 주행경로 변경을 위한 서비스를 선택하며,
    상기 불안정한 상태는 상기 노면이 불균일함을 지시하는 경고 메시지, 상기 노면이 기울어짐을 지시하는 경고 메시지 또는 상기 위험등급에 근거하고, 상기 교통정체 발생상태는 상기 트래픽 정보에 근거하는 서비스 제공방법.
  8. 제2항에 있어서,
    상기 주행경로 변경을 위한 서비스는
    상기 트래픽 정보에 근거하여, 상기 주행경로를 통해 목적지에 도착하는 예정시간이 지연되는 것으로 판단되는 경우,
    상기 사용자에게 상기 주행경로의 변경을 제안하는 서비스 제공방법.
  9. 제2항에 있어서,
    상기 서비스를 결정하는 단계는
    상기 주행경로의 상태정보에 근거하여, 상기 음식 추천을 위한 서비스를 선택하며,
    상기 음식 추천을 위한 서비스는 상기 주행경로의 상태정보로 분류되는 음식들이 포함된 음식정보를 이용하여, 상기 주행경로의 상태정보와 매칭되는 음식들이 포함된 음식리스트를 생성하는 서비스 제공방법.
  10. 제2항에 있어서,
    상기 서비스를 결정하는 단계는
    상기 사용자의 현재 행동정보가 음식을 섭취중인 행동을 지시하는 경우, 상기 음식 추천을 위한 서비스를 선택하며,
    상기 음식 추천을 위한 서비스는 상기 노면이 불균일함을 지시하는 경고 메시지, 상기 노면이 기울어짐을 지시하는 경고 메시지 또는 상기 위험등급에 근거하여, 상기 사용자에게 상기 음식을 섭취중인 행동 정지를 지시하는 알림 메시지를 생성하는 서비스 제공방법.
  11. 제2항에 있어서,
    상기 서비스를 결정하는 단계는
    상기 트래픽 정보에 근거하여, 상기 음식 추천을 위한 서비스를 선택하며,
    상기 음식 추천을 위한 서비스는 음식 섭취시간으로 분류되는 음식들이 포함된 음식정보 및 상기 주행경로를 통해 목적지에 도착하는 예정시간에 근거하는 서비스 제공방법.
  12. 제2항에 있어서,
    상기 서비스를 결정하는 단계는
    상기 주행경로의 상태정보, 상기 주행경로에 위치하는 음식점들의 위치정보 및 상기 음식점에서 판매되고 있는 음식정보에 근거하여, 상기 음식점 추천을 위한 서비스를 선택하는 서비스 제공방법.
  13. 제3항 또는 제6항에 있어서,
    상기 서비스를 결정하는 단계는
    상기 사용자의 현재 행동정보 및 상기 주행경로의 상태정보에 근거하여, 상기 컨텐츠를 제공 또는 추천하기 위한 서비스를 선택하며,
    상기 컨텐츠를 제공 또는 추천하기 위한 서비스는
    상기 사용자의 행동정보가 컨텐츠를 시청하고 있는 행동을 지시하는 경우, 상기 노면이 불균일함을 지시하는 경고 메시지 또는 상기 노면이 기울어짐을 지시하는 경고 메시지에 근거하여, 상기 컨텐츠의 재생을 중지하고, 상기 주행경로의 상태정보 또는 상기 주행경로의 센싱데이터를 제공하는 서비스 제공방법.
  14. 제2항에 있어서,
    상기 컨텐츠를 제공 또는 추천하기 위한 서비스는
    상기 주행경로의 상태정보에 근거하여, 선택된 컨텐츠를 디스플레이하거나, 추천 컨텐츠 리스트를 생성하며,
    상기 주행경로의 상태정보는 상기 주행경로를 구성하는 도로가 직선도로인지 여부를 지시하는 도로정보를 포함하는 서비스 제공방법.
  15. 제2항에 있어서,
    상기 주행경로의 트래픽 정보를 획득하는 단계는
    다른 자율주행차량들로부터 PC5 인터페이스를 통한 V2X 통신을 이용하여, V2X 메시지를 통해 수신하거나, 서버로부터 수신되는 서비스 제공방법.
  16. 제2항에 있어서,
    상기 주행경로의 상태정보는
    상기 주행경로에 위치하는 위험시설 정보를 포함하며,
    상기 위험시설 정보는 상기 센서를 이용하거나, 다른 자율주행차량들로부터 PC5 인터페이스를 통한, V2X 통신을 이용하여, V2X 메시지를 통해 수신하거나, 서버로부터 수신되는 서비스 제공방법.
  17. 자율주행시스템(Automated Vehicle & Highway Systems)에서 서비스를 제공하는 차량에 있어서,
    복수개의 센서들로 이루어진 센싱부;
    통신부;
    메모리;
    AI(artificial intelligence) 프로세서를 포함하고,
    상기 AI 프로세서는
    상기 센싱부를 이용하여 사용자의 상태정보를 획득하고, 상기 사용자의 상태정보에 근거하여, 상기 사용자의 현재 행동정보를 판단하며, 주행경로의 상태정보를 획득하고, 상기 주행경로의 상태정보로부터 특징값을 추출하며, 상기 특징값을 학습된 심층 신경망(DNN) 분류기에 입력하고, 상기 심층 신경망의 출력으로부터 상기 주행경로의 위험등급을 판단하고, 상기 사용자의 현재 행동정보, 상기 주행경로의 상태정보 또는 상기 위험등급에 근거하여, 상기 사용자에게 제공되는 서비스를 결정하며, 상기 서비스는 주행경로 변경을 위한 서비스, 음식 추천을 위한 서비스, 음식점 추천을 위한 서비스 또는, 컨텐츠(contents)를 제공 또는 추천하기 위한 서비스를 포함하는 차량.
KR1020190099304A 2019-07-11 2019-08-14 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치 KR20190103078A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KRPCT/KR2019/008549 2019-07-11
PCT/KR2019/008549 WO2021006398A1 (ko) 2019-07-11 2019-07-11 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치

Publications (1)

Publication Number Publication Date
KR20190103078A true KR20190103078A (ko) 2019-09-04

Family

ID=67950227

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190099304A KR20190103078A (ko) 2019-07-11 2019-08-14 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치

Country Status (3)

Country Link
US (1) US20200388154A1 (ko)
KR (1) KR20190103078A (ko)
WO (1) WO2021006398A1 (ko)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910641A (zh) * 2019-12-02 2020-03-24 北京航空航天大学 一种基于神经网络的高速公路交通运行实时风险评估方法
CN111178452A (zh) * 2020-01-02 2020-05-19 平安科技（深圳）有限公司 驾驶风险识别方法、电子装置及可读存储介质
CN111523766A (zh) * 2020-03-27 2020-08-11 中国平安财产保险股份有限公司 驾驶风险评估方法、装置、电子设备及可读存储介质
KR102204431B1 (ko) * 2020-08-11 2021-01-19 (주)신한항업 Mms 전용 수치데이터의 정밀성 추가를 위한 데이터 보정시스템
KR20210063792A (ko) 2019-11-25 2021-06-02 (주) 지오씨엔아이 차량 운영 및 관제를 위한 3차원 지도 서비스 제공 시스템
CN112902969A (zh) * 2021-02-03 2021-06-04 重庆大学 一种无人机在数据收集过程中的路径规划方法
CN113247013A (zh) * 2021-05-24 2021-08-13 西藏民族大学 一种路牌信息播报系统及方法
KR102291957B1 (ko) * 2020-10-20 2021-08-24 젠스코리아 주식회사 정밀도로지도 제작을 위한 mms 데이터 수정 시스템
KR102331215B1 (ko) * 2020-07-30 2021-12-01 (주)동광지엔티 Mms 기반 수치지도의 편집환경에 맞춘 데이터 오류 자동확인 시스템
KR102331217B1 (ko) * 2020-07-30 2021-12-01 (주)동광지엔티 구간별 현장정보의 실시간 수집을 통한 mms 기반의 수치지도 업데이팅 시스템
GB2597944A (en) * 2020-08-11 2022-02-16 Daimler Ag A method for predicting a user of a user with an autoencoder algorithm, as well as electronic computing device
KR20220084588A (ko) * 2020-12-14 2022-06-21 (주)케이시크 연속 이동 및 콘텐츠서비스 제공 방법
WO2022154575A1 (ko) * 2021-01-14 2022-07-21 엘지전자 주식회사 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치
KR20230036425A (ko) 2021-09-07 2023-03-14 국민대학교산학협력단 차량 위험도 예측 장치 및 방법
KR102544640B1 (ko) * 2022-12-01 2023-06-21 한국건설기술연구원 차선 감지 및 예측 시스템, 장치 및 방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220194426A1 (en) * 2020-12-17 2022-06-23 Here Global B.V. Method and apparatus for increasing passenger safety based on accident/road link correlation
US11837032B2 (en) 2020-12-31 2023-12-05 Micron Technology, Inc. Vehicle diagnosis and repair
KR102519715B1 (ko) * 2021-03-24 2023-04-17 주식회사 에어플 도로 정보 제공 시스템 및 도로 정보 제공 방법
CN113706932B (zh) * 2021-10-29 2022-02-25 天津云圣智能科技有限责任公司 路段安全的告警方法、装置及无人机
DE102022111969A1 (de) 2022-05-12 2023-11-16 Cariad Se System und Verfahren zum Bereitstellen einer Zeitverzögerungsprognose einer Verkehrsbehinderung

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100106864A (ko) * 2009-03-24 2010-10-04 엘지전자 주식회사 네비게이션 장치 및 그 방법
KR101276770B1 (ko) * 2011-08-08 2013-06-20 한국과학기술원 사용자 적응형 특이행동 검출기반의 안전운전보조시스템
KR101696821B1 (ko) * 2015-11-30 2017-02-01 주식회사 대신전자기술 차량의 주행 특성을 이용한 노면의 미끄럼 상태 검출 장치 및 방법
KR101965829B1 (ko) * 2016-10-04 2019-08-13 엘지전자 주식회사 자동주차 보조장치 및 이를 포함하는 차량
US10317907B2 (en) * 2017-04-28 2019-06-11 GM Global Technology Operations LLC Systems and methods for obstacle avoidance and path planning in autonomous vehicles

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210063792A (ko) 2019-11-25 2021-06-02 (주) 지오씨엔아이 차량 운영 및 관제를 위한 3차원 지도 서비스 제공 시스템
CN110910641A (zh) * 2019-12-02 2020-03-24 北京航空航天大学 一种基于神经网络的高速公路交通运行实时风险评估方法
CN111178452A (zh) * 2020-01-02 2020-05-19 平安科技（深圳）有限公司 驾驶风险识别方法、电子装置及可读存储介质
CN111523766A (zh) * 2020-03-27 2020-08-11 中国平安财产保险股份有限公司 驾驶风险评估方法、装置、电子设备及可读存储介质
CN111523766B (zh) * 2020-03-27 2020-11-13 中国平安财产保险股份有限公司 驾驶风险评估方法、装置、电子设备及可读存储介质
KR102331215B1 (ko) * 2020-07-30 2021-12-01 (주)동광지엔티 Mms 기반 수치지도의 편집환경에 맞춘 데이터 오류 자동확인 시스템
KR102331217B1 (ko) * 2020-07-30 2021-12-01 (주)동광지엔티 구간별 현장정보의 실시간 수집을 통한 mms 기반의 수치지도 업데이팅 시스템
KR102204431B1 (ko) * 2020-08-11 2021-01-19 (주)신한항업 Mms 전용 수치데이터의 정밀성 추가를 위한 데이터 보정시스템
GB2597944A (en) * 2020-08-11 2022-02-16 Daimler Ag A method for predicting a user of a user with an autoencoder algorithm, as well as electronic computing device
KR102291957B1 (ko) * 2020-10-20 2021-08-24 젠스코리아 주식회사 정밀도로지도 제작을 위한 mms 데이터 수정 시스템
KR20220084588A (ko) * 2020-12-14 2022-06-21 (주)케이시크 연속 이동 및 콘텐츠서비스 제공 방법
WO2022154575A1 (ko) * 2021-01-14 2022-07-21 엘지전자 주식회사 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치
CN112902969A (zh) * 2021-02-03 2021-06-04 重庆大学 一种无人机在数据收集过程中的路径规划方法
CN112902969B (zh) * 2021-02-03 2023-08-01 重庆大学 一种无人机在数据收集过程中的路径规划方法
CN113247013A (zh) * 2021-05-24 2021-08-13 西藏民族大学 一种路牌信息播报系统及方法
KR20230036425A (ko) 2021-09-07 2023-03-14 국민대학교산학협력단 차량 위험도 예측 장치 및 방법
KR102544640B1 (ko) * 2022-12-01 2023-06-21 한국건설기술연구원 차선 감지 및 예측 시스템, 장치 및 방법

Also Published As

Publication number Publication date
WO2021006398A1 (ko) 2021-01-14
US20200388154A1 (en) 2020-12-10

Similar Documents

Publication Publication Date Title
KR20190103078A (ko) 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치
US11648849B2 (en) Device, system and method for predicting battery consumption of electric vehicle
US20210278840A1 (en) Autonomous vehicle and control method thereof
US11158327B2 (en) Method for separating speech based on artificial intelligence in vehicle and device of the same
US10889301B2 (en) Method for controlling vehicle and intelligent computing apparatus for controlling the vehicle
US20210331712A1 (en) Method and apparatus for responding to hacking on autonomous vehicle
KR102237421B1 (ko) 자율 주행 시스템에서 데이터 기반의 어플레이케이션 갱신방법 및 이를 위한 장치
KR20190107277A (ko) 자율 주행 시스템에서 차량을 제어하는 방법 및 장치
KR102630485B1 (ko) 차량 제어 방법
US11383720B2 (en) Vehicle control method and intelligent computing device for controlling vehicle
KR20190104010A (ko) 자율주행 제어장치 및 이를 이용한 자율주행 제어방법
US20210172749A1 (en) Controlling platooning vehicle
KR20190104922A (ko) 자율주행 차량의 제어 방법
US20210123757A1 (en) Method and apparatus for managing vehicle's resource in autonomous driving system
US20210188311A1 (en) Artificial intelligence mobility device control method and intelligent computing device controlling ai mobility
US20210094588A1 (en) Method for providing contents of autonomous vehicle and apparatus for same
US20200086891A1 (en) Method for controlling vehicle and intelligent computing device for controlling vehicle
KR20210041213A (ko) 자율주행시스템에서 지도정보를 이용하여 객체추적을 하는 방법 및 이를 위한 장치
KR20210070700A (ko) 자율주행시스템에서 인공지능 학습 데이터를 계승하는 방법
KR20210063144A (ko) 통신 상태에 따른 탑승자 서비스 제공
KR20210043039A (ko) 자율주행시스템에서 hd map을 이용한 차량의 움직임 예측방법 및 이를 위한 장치
KR20210065391A (ko) 자율주행시스템에서 장애물을 탐지하여 주행하는 방법
US20210333392A1 (en) Sound wave detection device and artificial intelligent electronic device having the same
US20210403054A1 (en) Vehicle allocation method in automated vehicle and highway system and apparatus therefor
KR20210048892A (ko) 차량 내부의 모니터링