KR20190105172A - 스마트 운전 에이전트 시스템 및 방법 - Google Patents
스마트 운전 에이전트 시스템 및 방법 Download PDFInfo
- Publication number
- KR20190105172A KR20190105172A KR1020180020968A KR20180020968A KR20190105172A KR 20190105172 A KR20190105172 A KR 20190105172A KR 1020180020968 A KR1020180020968 A KR 1020180020968A KR 20180020968 A KR20180020968 A KR 20180020968A KR 20190105172 A KR20190105172 A KR 20190105172A
- Authority
- KR
- South Korea
- Prior art keywords
- driving
- information
- vehicle
- road
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 40
- 239000000446 fuel Substances 0.000 claims abstract description 47
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W40/06—Road conditions
- B60W40/072—Curvature of the road
-
- 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
- B60W40/10—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 vehicle motion
-
- 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
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/13—Mileage
-
- B60W2530/145—
-
- B60W2550/14—
-
- B60W2550/40—
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
본 발명에 따른 차량의 운행정보 빅데이터에 기반한 스마트 운전 에이전트 시스템은 상기 차량과 데이터를 송수신하는 통신모듈, 상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함하는 운행정보 빅데이터에 기초하여 차량을 제어하기 위한 최적주행모델을 생성하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되, 상기 프로세서는 상기 프로그램을 실행시킴에 따라 상기 수집된 운행정보 빅데이터를 인공지능 학습 알고리즘에 기초하여 분석하고, 상기 분석을 통해 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성하며, 상기 통신모듈을 통해 상기 생성된 최적주행모델을 상기 차량으로 제공한다.
Description
본 발명은 차량의 운행정보 빅데이터에 기반한 스마트 운전 에이전트 시스템 및 방법에 관한 것이다.
최근 대형버스에 의한 대형 인명사고가 여러 차례 발생하여 심각한 사회문제로 대두되고 있다. 이러한 대형버스에 의한 사고는 여러명의 승객이 탑승하고 있기에 한번 사고가 발생하게 되면 대형 사고로 이어진다는 문제가 있다.
또한, 사업용 차량을 운전하는 운전자 중 65세 이상의 고령 운전자의 수는 내해 꾸준히 증가하고 있다. 이러한 고령 운전자의 경우 사고 대처 능력이 점차적으로 감소할 수밖에 없기 때문에 사고 유발 가능성이 그만큼 높아지게 되므로, 고령 운전자의 인적 사고요인을 방지하고 안전한 주행환경을 제공할 수 있도록 하는 안전운전 지원 장치의 개발이 필요한 상태이다.
또한, 사업용 차량의 경우 연비 절감을 위한 운전이 잘 이루어지지 않고 있다는 문제가 있다. 최적 주행을 통한 연비운전은 온실가스를 약 10% 감축하는 효과가 있으며, 연비운전은 상대적으로 급가속, 급감속 등의 위험 운전 행위를 40-50% 정도 줄여주기 때문에 사고 위험을 10분의 1 수준으로 낮추는 효과가 있다. 따라서, 사업용 차량의 온실가스 저감 및 사고 예방을 위한 연비 운전 유도가 필요한 실정이다.
이와 관련하여 한국공개특허공보 제10-2014-0094288호(발명의 명칭: 차량 운전 모드를 이용한 크루즈 제어 속도 조절 장치 및 방법)는 차량 모드별 입력을 통하여 에코 모드, 정상 모드 및 스포츠 모드로 변환하는 기술을 개시하고 있다.
본 발명의 실시예는 차량의 운행정보 빅데이터를 이용하여 차량의 최적 주행을 제어함으로써 연비 절감 및 안정성 향상을 기대할 수 있는 스마트 운전 에이전트 시스템 및 방법을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 차량의 운행정보 빅데이터에 기반한 스마트 운전 에이전트 시스템은 상기 차량과 데이터를 송수신하는 통신모듈, 상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함하는 운행정보 빅데이터에 기초하여 차량을 제어하기 위한 최적주행모델을 생성하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함한다. 이때, 상기 프로세서는 상기 프로그램을 실행시킴에 따라 상기 수집된 운행정보 빅데이터를 인공지능 학습 알고리즘에 기초하여 분석하고, 상기 분석을 통해 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성하며, 상기 통신모듈을 통해 상기 생성된 최적주행모델을 상기 차량으로 제공한다.
상기 차량 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 상기 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 상기 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함할 수 있다.
상기 프로세서는 상기 차량의 주행 속도 정보를 획득하고, 상기 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보를 획득한 뒤, 상기 차량의 상기 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 상기 연비 정보를 학습할 수 있다.
상기 프로세서는 상기 차량의 현재 주행속도 정보와, 상기 차량의 주행도로 제한속도 정보 및 주변차량의 평균속도 정보를 포함하는 상기 차량의 주행 속도 정보를 획득할 수 있다.
상기 프로세서는 상기 운행정보 빅데이터가 시계열적 데이터에 해당하는 경우 상기 인공지능 학습 알고리즘으로 순환 신경망을 적용 가능하고, 한 구간의 일회 주행 데이터를 이미지 데이터화하여 상기 최적주행모델을 생성하는 경우 상기 인공지능 학습 알고리즘으로 컨볼루션 신경망 알고리즘도 적용할 수 있다.
상기 프로세서는 상기 운행정보 빅데이터에 기초하여 목표 연비와 주행조건별 연비의 차이가 최소가 되고, 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 상기 최적주행모델로 생성할 수 있다.
상기 프로세서는 상기 생성된 최적주행모델에 대하여 가상의 운행도로에 가상의 교통정보 조건을 입력으로 하는 사이버 피지컬 시스템(CPS, Cyber-Physical System) 시뮬레이션 환경을 구성하여 강화학습을 통해 훈련시킬 수 있다.
또한, 본 발명의 제 2 측면에 따른 차량의 운행정보 빅데이터에 기반한 스마트 운전 에이전트 방법은 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 운행정보 빅데이터를 분석하는 단계; 상기 운행정보 빅데이터를 인공지능 학습 알고리즘에 기초한 분석을 통해 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성하는 단계; 및 상기 최적주행모델을 상기 차량으로 제공하는 단계를 포함한다.
상기 차량은 기 설정된 시간 및 노선을 일정 기간 이상 반복 운행하는 상용 차량일 수 있다.
상기 최적주행모델을 생성하는 단계는, 상기 차량의 주행 속도 정보를 획득하는 단계; 상기 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보를 획득하는 단계; 및 상기 차량의 상기 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 상기 연비 정보를 학습하는 단계를 포함할 수 있다.
상기 차량의 주행 속도 정보를 획득하는 단계는, 상기 차량의 현재 주행속도 정보와, 상기 차량의 주행도로 제한속도 정보 및 주변차량의 평균속도 정보를 포함할 수 있다.
상기 운행정보 빅데이터는 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함할 수 있다.
상기 차량 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 상기 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 상기 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함할 수 있다.
상기 인공지능 학습 알고리즘은 상기 운행정보 빅데이터가 시계열적 데이터에 해당하는 경우 순환 신경망 알고리즘이 적용가능하고 한 구간의 일회 주행 데이터를 이미지 데이터화하여 상기 최적주행모델을 생성하는 경우 컨볼루션 신경망 알고리즘이 적용될 수 있다.
상기 최적주행모델을 생성하는 단계는, 상기 운행정보 빅데이터에 기초하여 목표 연비와 주행조건별 연비의 차이가 최소가 되고, 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 상기 최적주행모델로 생성할 수 있다.
본 발명에 따른 스마트 운전 에이전트 방법은 상기 생성된 최적주행모델에 대하여 가상의 운행도로에 가상의 교통정보 조건을 입력으로 하는 사이버 피지컬 시스템(CPS, Cyber-Physical System) 시뮬레이션 환경을 구성하여 강화학습을 통해 훈련시키는 단계를 더 포함할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 차량 내부 정보에 한정되어 차량을 제어하던 종래기술의 한계를 극복할 수 있다.
또한, 스마트 운전 에이전트를 통해 운전자의 편의성을 높일 수 있으며 안전운전을 도모하여 교통사고를 예방함과 동시에 연료비 및 배출가스 감소 등의 효과를 기대할 수 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명의 일 실시예는 차량의 운행정보 빅데이터에 기반한 스마트 운전 에이전트 시스템(100) 및 방법에 관한 것이다.
종래 기술의 경우 주행성능과 연비 등을 향상시키기 위하여 엔진 토크, 엔진 효율 맵과 같은 차량의 엔진특성과, 변속기 기어비, 차량 중량 등을 고려하고 있으며, 또는 운전자의 선호에 따라 노멀 모드, 에코 모드, 스포츠 모드 등을 선택할 수 있도록 하고 있다.
그러나 종래 기술의 경우 차량 내부 정보만을 고려하여 차량 주행제어 알고리즘을 적용하고 있다는 문제가 있으며, 주행도로의 특성이나 실시간 교통량 등의 차량 외부 환경정보에 대한 고려가 없다는 문제가 있다.
특히, 크루즈 모드의 경우 운전자가 선택한 속도만을 엄격히 추종하기 때문에 곡선 구간에서의 불안감을 유발하고, 운전자가 직접 제어하는 것보다 낮은 연비 절감 효과를 가져온다는 문제가 있다.
반면, 본 발명의 일 실시예의 경우 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보를 고려한 차량의 운행정보 빅데이터에 기초하여 알고리즘을 학습시킴으로써, 안전성과 연비를 향상시킬 수 있는 최적주행모델을 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)을 개략적으로 설명하기 위한 도면이다. 도 2는 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)의 블록도이다.
본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)은 하나 이상의 차량(200), 주변 시설물(300)과 네트워크를 통해 연결될 수 있다. 여기에서 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(network)의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크, WiFi, V2X, V2V 등이 포함되나 이에 한정되지는 않는다.
이때, 본 발명의 일 실시예서의 차량은 고속버스나 대형 화물차량 등과 같이 기 설정된 시간 및 노선을 일정 기간 이상 반복 운행하는 상용 차량일 수 있다. 즉, 본 발명의 일 실시예는 이러한 상용 차량의 장기간 동안의 누적된 운행정보 빅데이터를 분석하여 차량의 주행 패턴을 최적화할 수 있는 최적주행모델을 생성 및 제공할 수 있다.
본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)은 메모리(110) 및 프로세서(120)를 포함한다. 이때, 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)은 자차량 또는 자차량과 동일 모델의 주변 차량으로부터 수집된 운행정보 빅데이터를 인공지능 학습 알고리즘을 통한 분석을 위해 고성능 서버로 구성되며, 이 경우 차량과 독립적으로 구성될 수 있으나 반드시 이에 한정되는 것은 아니며, 경우에 따라 차량과 일체로 구성될 수 있음은 물론이다.
메모리(110)에는 운행정보 빅데이터에 기초하여 차량을 제어하기 위한 최적주행모델을 생성하기 위한 프로그램이 저장된다. 여기에서, 메모리(110)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 휘발성 저장장치를 통칭하는 것이다.
예를 들어, 메모리(110)는 콤팩트 플래시(compact flash; CF) 카드, SD(secure digital) 카드, 메모리 스틱(memory stick), 솔리드 스테이트 드라이브(solid-state drive; SSD) 및 마이크로(micro) SD 카드 등과 같은 낸드 플래시 메모리(NAND flash memory), 하드 디스크 드라이브(hard disk drive; HDD) 등과 같은 마그네틱 컴퓨터 기억 장치 및 CD-ROM, DVD-ROM 등과 같은 광학 디스크 드라이브(optical disc drive) 등을 포함할 수 있다.
프로세서(120)는 메모리(110)에 저장된 프로그램을 실행시킴에 따라, 수집된 운행정보 빅데이터를 인공지능 학습 알고리즘에 기초하여 분석하고, 분석 결과를 통해 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성하며, 생성된 최적주행모델을 차량으로 제공한다. 최적주행모델을 수신한 차량은 이에 기초하여 최적의 안전도 및 연비 정보에 따라 해당 차량의 주행을 제어할 수 있다.
한편, 본 발명의 일 실시예는 차량의 운행정보 빅데이터를 위해 차량으로부터 수신하고 최적주행모델을 제공하기 위한 통신모듈(130)을 더 포함할 수 있다. 통신모듈(130)을 통해 수신되는 정보는 차량 내의 센서부로부터 센싱된 차량 내부 정보(속도, 위치, 휠스피드, 연비 정보 등), 자차량의 주변에 위치한 주변차량이나 교통정보 시스템, 기상정보 시스템 등으로부터의 데이터를 포함할 수 있다.
참고로, 본 발명의 실시예에 따른 도 1에 도시된 구성 요소들은 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 하드웨어 형태로 구현될 수 있으며, 소정의 역할들을 수행할 수 있다.
그렇지만 '구성 요소들'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 각 구성 요소는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
따라서, 일 예로서 구성 요소는 소프트웨어 구성 요소들, 객체지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.
구성 요소들과 해당 구성 요소들 안에서 제공되는 기능은 더 작은 수의 구성 요소들로 결합되거나 추가적인 구성 요소들로 더 분리될 수 있다.
이하에서는 도 2를 참조하여 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)에서의 스마트 운전 에이전트 방법에 대해 구체적으로 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법의 순서도이다.
본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법은 통신모듈을 통해 수신 및 저장된 운행정보 빅데이터를 분석한다(S110).
이때, 상기 저장 및 분석되는 운행정보 빅데이터는 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함할 수 있다.
예를 들어, 차량 운행 및 주행정보는 운행 일시. 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함할 수 있다.
운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함할 수 있다.
그리고 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함할 수 있다.
다음으로, 운행정보 빅데이터를 인공지능 학습 알고리즘에 기초한 분석을 통해 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성한다(S120).
구체적으로 본 발명의 일 실시예는 랜덤한 운행정보 빅데이터의 분석을 위해 기계학습, 심층학습 및 강화학습 중 어느 하나를 적용하여 최적주행모델을 생성할 수 있다.
이때, 본 발명의 일 실시예는 인공지능 학습 알고리즘을 통해 차량에 따른 운행도로 구간별, 월별/요일별/시간별 최적주행패턴을 도출할 수 있으며, 최적주행패턴에 기초하여 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성할 수 있다.
여기에서, 안전도 정보는 예를 들어 아래 표 1과 같은 교통안전공단에서 제공하는 차종별 위험운전행동기준과 같이 정량적으로 비교 가능한 수치일 수 있다.
또한, 연비 정보는 동일한 구간을 주행시 소모하는 연료량의 정량적 수치를 의미한다.
[표 1]
기계학습을 이용하여 운행정보 빅데이터를 분석하여 최적주행모델을 생성하는 내용을 설명하면 다음과 같다.
기계학습을 이용하여 최적주행모델을 생성하는 경우 운행정보 빅데이터는 안전도 정보와 연비 정보가 라벨 데이터 형태로 제공될 수 있으며, 이러한 라벨 데이터는 지도학습(Supervised Learning)을 통해 안전도와 연비를 높이기 위한 최적주행모델을 생성하는데 사용될 수 있다.
구체적으로 본 발명의 일 실시예에서 인공지능 학습 알고리즘으로 기계학습을 이용하는 경우에는 다음과 같은 특성(Feature)을 고려해야 한다.
예를 들어, 차량 자체의 무게나 적재량의 무게가 일반 승용차에 비해 큰 상용 차량은 주행속도 및 감속/가속에 따른 연비 변화가 매우 크다. 특히 종방향 운동특성과 별개로 횡방향 운동특성은 그 영향이 미비하다는 특성이 있다.
또한, 자동차 전용도로에서 주행하는 상용 차량의 주행속도는 주행도로의 제한속도와 주변차량의 평균속도에 크게 영향을 받는다는 특성이 있다.
또한, 가속 및 감속은 주행차선의 전방에 타차량이 들어오고 나감에 주로 영향을 받는 특성이 있으며, 이는 고속도로의 진출입 구간, 분기 구간에서 특히 빈번하게 발생한다.
또한, 다른 요인이 없어 정속주행을 하는 상용 차량에서도 주행 도로의 기울기 및 곡률이 연비에 영향을 주는 특성이 있다.
이와 같은 특성에 따라 본 발명의 일 실시예는 인공지능 학습 알고리즘으로 기계학습을 적용하는 경우, 최적주행모델을 생성하기 위하여, 먼저 차량의 주행 속도 정보의 특성을 획득한다.
그 다음 GPS 정보에 따른 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보의 특성을 획득한다.
이와 같은 특성을 획득하고 나면, 차량의 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 연비 정보를 학습함으로써, 연비를 향상시키기 위한 주행 구간에 따른 최적주행모델을 생성할 수 있다.
최적주행모델이 생성됨에 따라 본 발명의 일 실시예는 상술한 표 1에 따른 위험운전행동기준과의 비교를 통해 안전도를 정량적으로 평가할 수도 있다.
다음으로, 심층학습을 이용하여 운행정보 빅데이터를 분석하여 최적주행모델을 생성하는 내용을 설명하면 다음과 같다.
심층학습의 경우 기계학습과는 달리 최적주행모델 생성시 특성을 미리 정할 필요는 없다는 특징이 있으며, 심층학습을 통해 생성되는 최적주행모델의 성능은 데이터의 질과 양에 따라 결정된다는 특징이 있다.
심층학습을 위한 운행정보 빅데이터는 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함할 수 있다.
이때, 차량 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함할 수 있다.
이러한 심층학습을 위한 운행정보 빅데이터는 우선적으로 교통안전공단의 빅데이터(eTas, DIAS, KOTEMS, TMACS 등)로부터 필요한 정보를 추출하여 사용할 수 있다.
한편, 인공지능 학습 알고리즘은 운행정보 빅데이터가 시계열적 데이터에 해당하는 경우 순환 신경망(Recurrent Neural Network, RNN) 알고리즘이 적용될 수 있고, 한 구간의 일회 주행 데이터를 이미지 데이터화하여 최적주행모델을 생성하는 경우 컨볼루션 신경망(Convolutional Neural Network) 알고리즘이 적용될 수 있다.
이러한 심층학습을 통해 생성되는 최적주행모델은 목표 연비와 주행조건별 연비의 차이가 최소가 되고 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 만족하는 것일 수 있다.
이와 같이 최적주행모델이 생성되고 나면, 생성된 최적주행모델을 차량으로 제공하게 되고(S130), 차량은 이를 수신하여 해당 차량을 제어한다(S130).
한편, 본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법은 생성된 최적주행모델에 대하여 가상의 운행도로에 가상의 교통정보 조건을 입력으로 하는 사이버 피지컬 시스템(CPS, Cyber-Physical System) 시뮬레이션 환경을 구성하여 강화학습을 통해 훈련하는 단계를 더 수행함으로써 그 성능을 지속적으로 향상시킬 수 있다.
이때, 강화학습 알고리즘으로는 전략기반이나 정책기반 또는 이들의 조합된 방법이 모두 적용 가능하다. 또한, 강화학습 네트워크(Reinforcement Learning + Neural Network)에 심층학습을 적용한 심층 강화학습(Deep Reinforcement Learning)의 방법으로 최적주행모델을 생성할 수 있다.
이와 같이 생성된 최적주행모델은 기존 차량에 사용 중인 단순 설정 속도만을 유지하여 주행하는 크루즈 시스템에 대체되어 적용될 수 있다.
또한, 현재 차량의 운전자에게 최적주행모델을 통한 운전 가이드를 시각, 청각, 촉각 등의 방법으로 제공할 수 있고, 운전자로부터 이에 대응하는 피드백 정보를 수신할 수 있다.
상술한 설명에서, 단계 S110 내지 S130는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1에서의 스마트 운전 에이전트 시스템(100)에 관하여 이미 기술된 내용은 도 2에서의 스마트 운전 에이전트 방법에도 적용된다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 스마트 운전 에이전트 시스템
110: 메모리
120: 프로세서
130: 통신모듈
110: 메모리
120: 프로세서
130: 통신모듈
Claims (16)
- 차량의 운행정보 빅데이터에 기반한 스마트 운전 에이전트 시스템에 있어서,
상기 차량과 데이터를 송수신하는 통신모듈,
상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함하는 운행정보 빅데이터에 기초하여, 상기 차량을 제어하기 위한 최적주행모델을 생성하기 위한 프로그램이 저장된 메모리 및
상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되,
상기 프로세서는 상기 프로그램을 실행시킴에 따라 상기 수집된 운행정보 빅데이터를 인공지능 학습 알고리즘에 기초하여 분석하고, 상기 분석을 통해 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성하며, 상기 통신모듈을 통해 상기 생성된 최적주행모델을 상기 차량으로 제공하는 것인 스마트 운전 에이전트 시스템. - 제 1 항에 있어서,
상기 차량 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 상기 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 상기 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함하는 것인 스마트 운전 에이전트 시스템. - 제 1 항에 있어서,
상기 프로세서는 상기 차량의 주행 속도 정보를 획득하고, 상기 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보를 획득한 뒤, 상기 차량의 상기 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 상기 연비 정보를 학습하는 것인 스마트 운전 에이전트 시스템. - 제 3 항에 있어서,
상기 프로세서는 상기 차량의 현재 주행속도 정보와, 상기 차량의 주행도로 제한속도 정보 및 주변차량의 평균속도 정보를 포함하는 상기 차량의 주행 속도 정보를 획득하는 것인 스마트 운전 에이전트 시스템. - 제 1 항에 있어서,
상기 프로세서는 상기 운행정보 빅데이터가 시계열적 데이터에 해당하는 경우 상기 인공지능 학습 알고리즘으로 순환 신경망을 적용하고, 한 구간의 일회 주행 데이터를 이미지 데이터화하여 상기 최적주행모델을 생성하는 경우 상기 인공지능 학습 알고리즘으로 컨볼루션 신경망 알고리즘을 적용하는 것인 스마트 운전 에이전트 시스템. - 제 1 항에 있어서,
상기 프로세서는 상기 운행정보 빅데이터에 기초하여 목표 연비와 주행조건별 연비의 차이가 최소가 되고, 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 상기 최적주행모델로 생성하는 것인 스마트 운전 에이전트 시스템. - 제 1 항에 있어서,
상기 프로세서는 상기 생성된 최적주행모델에 대하여 가상의 운행도로에 가상의 교통정보 조건을 입력으로 하는 사이버 피지컬 시스템(CPS, Cyber-Physical System) 시뮬레이션 환경을 구성하여 강화학습을 통해 훈련시키는 것인 스마트 운전 에이전트 시스템. - 차량의 운행정보 빅데이터에 기반한 스마트 운전 에이전트 방법에 있어서,
차량으로부터 수집된 운행정보 빅데이터를 분석하는 단계;
상기 운행정보 빅데이터를 인공지능 학습 알고리즘에 기초한 분석을 통해 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성하는 단계; 및
상기 최적주행모델을 상기 차량으로 제공하는 단계를 포함하는 스마트 운전 에이전트 방법. - 제 8 항에 있어서,
상기 차량은 기 설정된 시간 및 노선을 일정 기간 이상 반복 운행하는 상용 차량인 것인 스마트 운전 에이전트 방법. - 제 8 항에 있어서,
상기 최적주행모델을 생성하는 단계는,
상기 차량의 주행 속도 정보를 획득하는 단계;
상기 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보를 획득하는 단계;
상기 차량의 상기 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 상기 연비 정보를 학습하는 단계를 포함하는 것인 스마트 운전 에이전트 방법. - 제 10 항에 있어서,
상기 차량의 주행 속도 정보를 획득하는 단계는,
상기 차량의 현재 주행속도 정보와, 상기 차량의 주행도로 제한속도 정보 및 주변차량의 평균속도 정보를 포함하는 것인 스마트 운전 에이전트 방법. - 제 8 항에 있어서,
상기 운행정보 빅데이터는 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함하는 것인 스마트 운전 에이전트 방법. - 제 12 항에 있어서,
상기 차량 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 상기 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 상기 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함하는 것인 스마트 운전 에이전트 방법. - 제 12 항에 있어서,
상기 인공지능 학습 알고리즘은 상기 운행정보 빅데이터가 시계열적 데이터에 해당하는 경우 순환 신경망 알고리즘이 적용되고, 한 구간의 일회 주행 데이터를 이미지 데이터화하여 상기 최적주행모델을 생성하는 경우 컨볼루션 신경망 알고리즘이 적용되는 것인 스마트 운전 에이전트 방법. - 제 12 항에 있어서,
상기 최적주행모델을 생성하는 단계는,
상기 운행정보 빅데이터에 기초하여 목표 연비와 주행조건별 연비의 차이가 최소가 되고, 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 상기 최적주행모델로 생성하는 것인 스마트 운전 에이전트 방법. - 제 8 항에 있어서,
상기 생성된 최적주행모델에 대하여 가상의 운행도로에 가상의 교통정보 조건을 입력으로 하는 사이버 피지컬 시스템(CPS, Cyber-Physical System) 시뮬레이션 환경을 구성하여 강화학습을 통해 훈련시키는 단계를 더 포함하는 스마트 운전 에이전트 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180020968A KR20190105172A (ko) | 2018-02-22 | 2018-02-22 | 스마트 운전 에이전트 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180020968A KR20190105172A (ko) | 2018-02-22 | 2018-02-22 | 스마트 운전 에이전트 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190105172A true KR20190105172A (ko) | 2019-09-16 |
Family
ID=68067262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180020968A KR20190105172A (ko) | 2018-02-22 | 2018-02-22 | 스마트 운전 에이전트 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190105172A (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200003309A (ko) * | 2018-06-19 | 2020-01-09 | 한국자동차연구원 | 스마트 운전 에이전트 시스템 및 방법 |
| KR102224693B1 (ko) * | 2019-11-29 | 2021-03-08 | 브이아이씨테크 주식회사 | 제어 명령에 따른 이동체의 이동결과 추정을 위한 인공지능 모델 학습방법, 장치 및 프로그램 |
| KR102233723B1 (ko) * | 2020-09-22 | 2021-03-30 | 재단법인차세대융합기술연구원 | 자율 주행 차량의 운행 패턴 관리 서버 및 그것의 운행 패턴 해석 방법 |
| WO2021091001A1 (ko) * | 2019-11-05 | 2021-05-14 | 주식회사 동서이브이 | 전기버스 텔레매틱스 시스템 |
| WO2021128278A1 (en) * | 2019-12-27 | 2021-07-01 | Intel Corporation | Driving safety systems |
| KR20220066711A (ko) * | 2020-11-16 | 2022-05-24 | (주)이노시뮬레이션 | 자율주행 분산 시뮬레이션 동기 제어 방법 |
| KR20220105691A (ko) * | 2021-01-20 | 2022-07-28 | 한양대학교 산학협력단 | V2x 통신을 이용하는 경제 운전 유도 방법 및 시스템 |
-
2018
- 2018-02-22 KR KR1020180020968A patent/KR20190105172A/ko not_active IP Right Cessation
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200003309A (ko) * | 2018-06-19 | 2020-01-09 | 한국자동차연구원 | 스마트 운전 에이전트 시스템 및 방법 |
| WO2021091001A1 (ko) * | 2019-11-05 | 2021-05-14 | 주식회사 동서이브이 | 전기버스 텔레매틱스 시스템 |
| KR102224693B1 (ko) * | 2019-11-29 | 2021-03-08 | 브이아이씨테크 주식회사 | 제어 명령에 따른 이동체의 이동결과 추정을 위한 인공지능 모델 학습방법, 장치 및 프로그램 |
| WO2021128278A1 (en) * | 2019-12-27 | 2021-07-01 | Intel Corporation | Driving safety systems |
| KR102233723B1 (ko) * | 2020-09-22 | 2021-03-30 | 재단법인차세대융합기술연구원 | 자율 주행 차량의 운행 패턴 관리 서버 및 그것의 운행 패턴 해석 방법 |
| KR20220066711A (ko) * | 2020-11-16 | 2022-05-24 | (주)이노시뮬레이션 | 자율주행 분산 시뮬레이션 동기 제어 방법 |
| KR20220105691A (ko) * | 2021-01-20 | 2022-07-28 | 한양대학교 산학협력단 | V2x 통신을 이용하는 경제 운전 유도 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190105172A (ko) | 스마트 운전 에이전트 시스템 및 방법 | |
| CN107444402B (zh) | 利用学习用户偏好的车辆模式安排 | |
| Tettamanti et al. | Impacts of autonomous cars from a traffic engineering perspective | |
| James et al. | Characterizing the impact of production adaptive cruise control on traffic flow: An investigation | |
| US10474151B2 (en) | Method for guiding a vehicle system in a fully automated manner, and motor vehicle | |
| US10803525B1 (en) | Determining a property of an insurance policy based on the autonomous features of a vehicle | |
| US10783587B1 (en) | Determining a driver score based on the driver's response to autonomous features of a vehicle | |
| US10796369B1 (en) | Determining a property of an insurance policy based on the level of autonomy of a vehicle | |
| DE102020100078A1 (de) | Verbessern des autonomen fahrens mit empfehlung eines entfernten betrachters | |
| US20190228367A1 (en) | Profile building using occupant stress evaluation and profile matching for vehicle environment tuning during ride sharing | |
| EP2274575A1 (de) | Selbstlernende karte auf basis von umfeldsensoren | |
| CN105320128A (zh) | 用于自动化车辆的众包控制转换策略 | |
| CN104391504A (zh) | 基于车联网的自动驾驶控制策略的生成方法与生成装置 | |
| US10783586B1 (en) | Determining a property of an insurance policy based on the density of vehicles | |
| CN107244321A (zh) | 用于基于用户定义的参数进行自适应巡航控制的系统和方法 | |
| DE112016003665T5 (de) | Persönliche Fahrzeugverwaltung | |
| CN106553555B (zh) | Gps辅助再生制动 | |
| US10745010B2 (en) | Detecting anomalous vehicle behavior through automatic voting | |
| KR102136400B1 (ko) | 스마트 운전 에이전트 시스템 및 방법 | |
| DE102022101233A1 (de) | Verkehrssimulation und strassennetzmodellierung für autonome fahrzeuge | |
| Raju et al. | Car-following properties of a commercial adaptive cruise control system: a pilot field test | |
| Tampere et al. | Continuous traffic flow modeling of driver support systems in multiclass traffic with intervehicle communication and drivers in the loop | |
| US20210108933A1 (en) | Multimodal mobility services with minimized perceived risks | |
| SE540094C2 (en) | Method and system for evaluating the operational performance of advanced driver assistant systems associated with a vehicle | |
| DE102014204219A1 (de) | Verfahren und vorrichtung zum vorhersagen von zeiten mit hohen fahreranforderungen |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X601 | Decision of rejection after re-examination |