KR20190105213A - 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치 - Google Patents
자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20190105213A KR20190105213A KR1020190103233A KR20190103233A KR20190105213A KR 20190105213 A KR20190105213 A KR 20190105213A KR 1020190103233 A KR1020190103233 A KR 1020190103233A KR 20190103233 A KR20190103233 A KR 20190103233A KR 20190105213 A KR20190105213 A KR 20190105213A
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- information
- data
- braking
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000012544 monitoring process Methods 0.000 title claims description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 238000004891 communication Methods 0.000 claims description 146
- 238000013473 artificial intelligence Methods 0.000 abstract description 158
- 230000003190 augmentative effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 62
- 230000005540 biological transmission Effects 0.000 description 44
- 210000004027 cell Anatomy 0.000 description 35
- 230000008569 process Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 27
- 238000012549 training Methods 0.000 description 27
- 238000012545 processing Methods 0.000 description 22
- 238000003062 neural network model Methods 0.000 description 17
- 230000004044 response Effects 0.000 description 17
- 230000003993 interaction Effects 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 13
- 230000008439 repair process Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 11
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 230000008054 signal transmission Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000010363 phase shift Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000007630 basic procedure Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 101150096310 SIB1 gene Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 210000003101 oviduct Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/174—Using electrical or electronic regulation means to control braking characterised by using special control logic, e.g. fuzzy logic, neural computing
-
- 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
- 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
- B60K35/10—Input arrangements, i.e. from user to vehicle, associated with vehicle functions or specially adapted therefor
-
- 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
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/171—Detecting parameters used in the regulation; Measuring values used in the regulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/32—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force responsive to a speed condition, e.g. acceleration or deceleration
- B60T8/88—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force responsive to a speed condition, e.g. acceleration or deceleration with failure responsive means, i.e. means for detecting and indicating faulty operation of the speed responsive control means
- B60T8/885—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force responsive to a speed condition, e.g. acceleration or deceleration with failure responsive means, i.e. means for detecting and indicating faulty operation of the speed responsive control means using electrical circuitry
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- 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
-
- 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
-
- 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
- B60W40/105—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
- 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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
- B60T2210/30—Environment conditions or position therewithin
- B60T2210/36—Global Positioning System [GPS]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2250/00—Monitoring, detecting, estimating vehicle conditions
- B60T2250/02—Vehicle mass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2250/00—Monitoring, detecting, estimating vehicle conditions
- B60T2250/04—Vehicle reference speed; Vehicle body speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2270/00—Further aspects of brake control systems not otherwise provided for
- B60T2270/40—Failsafe aspects of brake control systems
- B60T2270/406—Test-mode; Self-diagnosis
-
- 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
- B60W2040/0881—Seat occupation; Driver or passenger presence
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- 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
- B60W2530/10—Weight
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- B60Y2400/00—Special features of vehicle units
- B60Y2400/81—Braking systems
-
- 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Mobile Radio Communication Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
Abstract
본 발명은 자율 주행 시스템에서 차량의 브레이크 장치를 수행하는 방법 및 장치가 개시된다. 본 발명의 일례는 상기 자율 주행 시스템에서 상기 브레이크 장치의 정상 동작 여부를 판단하는 기준 정보를 설정하고, 상기 차량의 제동(brake)과 관련된 정보를 수신하며, 상기 제동과 관련된 정보에 기반하여 신경망 학습을 수행하고, 상기 신경망 학습의 결과와 상기 기준 정보에 기반하여 상기 브레이크 장치의 정상 동작 여부를 판단하며, 상기 판단에 기초하여 사용자에게 피드백을 수행하는 방법이다. 본 발명의 일 실시예에 따르면, 차량의 제동과 관련된 부품의 교체 또는 조정 요청을 적시에 사용자에게 알림으로써, 차량 운행의 안전성을 확보할 수 있는 효과가 있다. 본 발명은 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
본 발명은 자율 주행 시스템에 관한 것으로서, 보다 상세하게는 신경망 학습에 기반하여 차량의 브레이크 장치를 모니터링 하는 방법 및 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 발명의 목적은, 자율 주행 시스템에서 AI 프로세서를 이용하여 차량의 브레이크 장치(brake system)를 모니터링 하는 방법을 제안한다.
또한, 본 발명의 목적은, 차량의 브레이크 장치의 모니터링에 기반하여 차량의 제동과 관련된 부품에 대한 교체, 조정 등에 대한 정보를 사용자에게 전달하는 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 실시예에 따른 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법은, 상기 브레이크 장치의 정상 동작 여부를 판단하는 기준 정보를 설정하는 단계; 상기 차량의 제동(brake)과 관련된 정보를 수신하는 단계; 상기 제동과 관련된 정보에 기반하여 신경망 학습을 수행하는 단계; 상기 신경망 학습의 결과와 상기 기준 정보에 기반하여 상기 브레이크 장치의 정상 동작 여부를 판단하는 단계; 및 상기 판단에 기초하여 사용자에게 피드백 하는 단계를 포함할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 기준 정보는 상기 차량의 속도, 제동 거리 및 상기 브레이크 장치의 강도의 관계에 기초하여 설정될 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 기준 정보는 상기 차량의 제조사에 의해 미리 설정될 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 제동과 관련된 정보는 차량의 무게, 탑승자의 무게, 탑승자의 위치 정보, 타이어 공기압, 주행 속도, 온도, 노면 상태 중 적어도 어느 하나를 포함할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 노면 상태에 대한 정보는 상기 차량의 라이다를 이용하여 생성될 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 신경망 학습은 심층 신경망(deep neural network, DNN) 방식에 해당할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 피드백은 상기 차량의 제동(brake)과 관련된 부품의 교체 또는 조정(calibration)을 요청하는 메시지를 포함할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 피드백은 상기 차량의 디스플레이 장치 또는 오디오 장치 중 어느 하나를 통해 상기 사용자에게 전달될 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 상기 피드백은 상기 차량의 제동(brake)과 관련된 부품의 교체 또는 조정(calibration)을 위한 정비소의 위치와 경로 정보를 더 포함할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 방법에 있어서, 무선 통신 네트워크를 통해 교체 또는 조정(calibration)이 필요한 상기 차량의 제동(brake)과 관련된 부품에 대한 정보를 정비소로 전송하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따른 자율 주행 시스템에서 차량의 브레이크 장치(brake system)를 모니터링 하는 장치에 있어서, 상기 장치는, 상기 차량 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 신호를 교환하기 위한 인터페이스부, 데이터를 저장하기 위한 메모리, 상기 메모리와 기능적으로 연결된 프로세서를 포함하되, 상기 프로세서는, 상기 브레이크 장치의 정상 동작 여부를 판단하는 기준 정보를 설정하고, 상기 적어도 하나의 전자 장치로부터 상기 인터페이스부를 통해 상기 차량의 제동(brake)과 관련된 정보를 수신하며, 상기 제동과 관련된 정보에 기반하여 신경망 학습을 수행하고, 상기 신경망 학습의 결과와 상기 기준 정보에 기반하여 상기 브레이크 장치의 정상 동작 여부를 판단하며, 상기 판단에 기초하여 사용자에게 피드백 하도록 제어할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 장치에 있어서, 상기 기준 정보는 상기 차량의 속도, 제동 거리 및 상기 브레이크 장치의 강도의 관계에 기초하여 설정될 수 있다.
또한, 본 발명의 실시 예에 따른 상기 장치에 있어서, 상기 제동과 관련된 정보는 차량의 무게, 탑승자의 무게, 탑승자의 위치 정보, 타이어 공기압, 주행 속도, 온도, 노면 상태 중 적어도 어느 하나를 포함할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 장치에 있어서, 상기 피드백은 상기 차량의 제동(brake)과 관련된 부품의 교체 또는 조정(calibration)을 요청하는 메시지를 포함할 수 있다.
또한, 본 발명의 실시 예에 따른 상기 장치에 있어서, 상기 장치는 이동 단말기, 네트워크 및 상기 장치 이외의 자율 주행 차량 중 적어도 하나와 통신할 수 있다.
본 발명의 일 실시 예에 따르면, 자율 주행 시스템에서 AI 프로세서를 이용한 신경망 학습에 기반하여 차량의 브레이크 장치(brake system)를 모니터링하고, 모니터링 결과에 기반하여 차량 제동과 관련된 부품(예: 브레이크 패드, 타이어 등)의 교체, 조정 알림 등의 안전과 관련된 정보를 사용자에게 피드백 함으로써 차량 운행의 안전성을 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 일 실시 예에 따르면, 차량 제동과 관련된 부품의 교체, 조정 알림 등을 사용자에게 전달하고, 사용자에게 차량 점검과 관련된 예약 등을 제공함으로써 사용자의 편의성을 증대시킬 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.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
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 나타낸다.
도 3은 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
도 4는 5G 통신을 이용한 차량 대 차량 간의 기본 동작의 일 예를 나타낸다.
도 5는 본 발명의 실시예에 따른 차량을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 차량의 제어 블럭도이다.
도 7은 본 발명의 실시예에 따른 자율 주행 장치의 제어 블럭도이다.
도 8은 본 발명의 실시예에 따른 자율 주행 차량의 신호 흐름도이다.
도 9는 본 발명의 실시예에 따른 차량의 내부를 도시한 도면이다.
도 10은 본 발명의 실시예에 따른 차량용 캐빈 시스템을 설명하는데 참조되는 블럭도이다.
도 11은 본 발명의 실시예에 따라 사용자의 이용 시나리오를 설명하는데 참조되는 도면이다.
도 12는 본 명세서에서 제안하는 방법 및 실시예에 따라 동작하는 차량의 동작 순서도의 일례를 나타낸다.
도 13은 본 명세서에서 제안하는 방법 및 실시예가 적용될 수 있는 브레이크 장치의 정상 동작 여부를 판단하는 기준을 설정하는 일례를 나타낸다.
도 14는 본 명세서에서 제안하는 방법 및 실시예가 적용될 수 있는 차량의 AI 프로세서를 이용하여 신경망 학습을 통한 브레이크 장치 모니터링을 수행하는 일례를 나타낸다.
도 15는 본 발명의 일 실시 예에 따른 AI 장치(1500)를 나타낸다.
도 16은 본 발명의 일 실시 예에 따른 AI 서버(1600)를 나타낸다.
도 17은 본 발명의 일 실시 예에 따른 AI 시스템(1700)을 나타낸다.
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 나타낸다.
도 3은 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
도 4는 5G 통신을 이용한 차량 대 차량 간의 기본 동작의 일 예를 나타낸다.
도 5는 본 발명의 실시예에 따른 차량을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 차량의 제어 블럭도이다.
도 7은 본 발명의 실시예에 따른 자율 주행 장치의 제어 블럭도이다.
도 8은 본 발명의 실시예에 따른 자율 주행 차량의 신호 흐름도이다.
도 9는 본 발명의 실시예에 따른 차량의 내부를 도시한 도면이다.
도 10은 본 발명의 실시예에 따른 차량용 캐빈 시스템을 설명하는데 참조되는 블럭도이다.
도 11은 본 발명의 실시예에 따라 사용자의 이용 시나리오를 설명하는데 참조되는 도면이다.
도 12는 본 명세서에서 제안하는 방법 및 실시예에 따라 동작하는 차량의 동작 순서도의 일례를 나타낸다.
도 13은 본 명세서에서 제안하는 방법 및 실시예가 적용될 수 있는 브레이크 장치의 정상 동작 여부를 판단하는 기준을 설정하는 일례를 나타낸다.
도 14는 본 명세서에서 제안하는 방법 및 실시예가 적용될 수 있는 차량의 AI 프로세서를 이용하여 신경망 학습을 통한 브레이크 장치 모니터링을 수행하는 일례를 나타낸다.
도 15는 본 발명의 일 실시 예에 따른 AI 장치(1500)를 나타낸다.
도 16은 본 발명의 일 실시 예에 따른 AI 서버(1600)를 나타낸다.
도 17은 본 발명의 일 실시 예에 따른 AI 시스템(1700)을 나타낸다.
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.
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, 자율 주행 모듈을 포함하는 장치(자율 주행 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 자율 주행 상세 동작을 수행할 수 있다.
자율 주행 장치와 통신하는 다른 차량을 포함하는 5G 네트워크를 제2 통신 장치로 정의(도 1의 920)하고, 프로세서(921)가 자율 주행 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, 자율 주행 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 차량(vehicle), 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.
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.
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 자율 주행 차량 간 기본 동작
도 3은 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 기본 동작의 일 예를 나타낸다. 설명의 편의를 위해서 5G 통신 시스템을 기준으로 설명하는 것일 뿐, 본 발명의 기술적 사상을 제한하는 것은 아니다.
자율 주행 차량(Autonomous Vehicle)은 특정 정보 전송을 5G 네트워크로 전송한다(S1). 상기 특정 정보는 자율 주행 관련 정보를 포함할 수 있다. 그리고, 상기 5G 네트워크는 차량의 원격 제어 여부를 결정할 수 있다(S2). 여기서, 상기 5G 네트워크는 자율 주행 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다. 그리고, 상기 5G 네트워크는 원격 제어와 관련된 정보(또는 신호)를 상기 자율 주행 차량으로 전송할 수 있다(S3).
G. 5G 통신 시스템에서 자율 주행 차량과 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 자율 주행 차량의 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, 자율 주행 차량이 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, 자율 주행 차량은 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, 자율 주행 차량은 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, 자율 주행 차량이 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, 자율 주행 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 자율 주행 차량으로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 자율 주행 차량은 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 자율 주행 차량으로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 자율 주행 차량으로 원격 제어와 관련된 정보(또는 신호)를 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, 자율 주행 차량은 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, 자율 주행 차량은 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, 자율 주행 차량은 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, 자율 주행 차량은 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, 자율 주행 차량은 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, 자율 주행 차량은 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 자율 주행 차량은 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.
H. 5G 통신을 이용한 차량 대 차량 간의 자율 주행 동작
도 4는 5G 통신을 이용한 차량 대 차량 간의 기본 동작의 일 예를 예시한다.
제1 차량은 특정 정보를 제2 차량으로 전송한다(S61). 제2 차량은 특정 정보에 대한 응답을 제1 차량으로 전송한다(S62).
한편, 5G 네트워크가 상기 특정 정보, 상기 특정 정보에 대한 응답의 자원 할당에 직접적(사이드 링크 통신 전송 모드 3) 또는 간접적으로(사이드링크 통신 전송 모드 4) 관여하는지에 따라 차량 대 차량 간 응용 동작의 구성이 달라질 수 있다.
다음으로, 5G 통신을 이용한 차량 대 차량 간의 응용 동작에 대해 살펴본다.
먼저, 5G 네트워크가 차량 대 차량 간의 신호 전송/수신의 자원 할당에 직접적으로 관여하는 방법을 설명한다.
5G 네트워크는, 모드 3 전송(PSCCH 및/또는 PSSCH 전송)의 스케줄링을 위해 DCI 포맷 5A를 제1 차량에 전송할 수 있다. 여기서, PSCCH(physical sidelink control channel)는 특정 정보 전송의 스케줄링을 위한 5G 물리 채널이고, PSSCH(physical sidelink shared channel)는 특정 정보를 전송하는 5G 물리 채널이다. 그리고, 제1 차량은 특정 정보 전송의 스케줄링을 위한 SCI 포맷 1을 PSCCH 상에서 제2 차량으로 전송한다. 그리고, 제1 차량이 특정 정보를 PSSCH 상에서 제2 차량으로 전송한다.
다음으로, 5G 네트워크가 신호 전송/수신의 자원 할당에 간접적으로 관여하는 방법에 대해 살펴본다.
제1 차량은 모드 4 전송을 위한 자원을 제1 윈도우에서 센싱한다. 그리고, 제1 차량은, 상기 센싱 결과에 기초하여 제2 윈도우에서 모드 4 전송을 위한 자원을 선택한다. 여기서, 제1 윈도우는 센싱 윈도우(sensing window)를 의미하고, 제2 윈도우는 선택 윈도우(selection window)를 의미한다. 제1 차량은 상기 선택된 자원을 기초로 특정 정보 전송의 스케줄링을 위한 SCI 포맷 1을 PSCCH 상에서 제2 차량으로 전송한다. 그리고, 제1 차량은 특정 정보를 PSSCH 상에서 제2 차량으로 전송한다.
C-V2X
무선 통신 시스템은 가용한 시스템 자원(예를 들어, 대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원하는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템, MC-FDMA(multi carrier frequency division multiple access) 시스템 등이 있다.
사이드링크(sidelink)란 단말(User Equipment, UE)들 간에 직접적인 링크를 설정하여, 기지국(Base Station, BS)을 거치지 않고, 단말 간에 음성 또는 데이터 등을 직접 주고 받는 통신 방식을 말한다. 사이드링크는 급속도로 증가하는 데이터 트래픽에 따른 기지국의 부담을 해결할 수 있는 하나의 방안으로서 고려되고 있다.
V2X(vehicle-to-everything)는 유/무선 통신을 통해 다른 차량, 보행자, 인프라가 구축된 사물 등과 정보를 교환하는 통신 기술을 의미한다. V2X는 V2V(vehicle-to-vehicle), V2I(vehicle-to-infrastructure), V2N(vehicle-to- network) 및 V2P(vehicle-to-pedestrian)와 같은 4 가지 유형으로 구분될 수 있다. V2X 통신은 PC5 인터페이스 및/또는 Uu 인터페이스를 통해 제공될 수 있다.
한편, 더욱 많은 통신 기기들이 더욱 큰 통신 용량을 요구하게 됨에 따라, 기존의 무선 액세스 기술(Radio Access Technology, RAT)에 비해 향상된 모바일 광대역 (mobile broadband) 통신에 대한 필요성이 대두되고 있다. 이에 따라, 신뢰도(reliability) 및 지연(latency)에 민감한 서비스 또는 단말을 고려한 통신 시스템이 논의되고 있는데, 개선된 이동 광대역 통신, 매시브 MTC, URLLC(Ultra-Reliable and Low Latency Communication) 등을 고려한 차세대 무선 접속 기술을 새로운 RAT(new radio access technology) 또는 NR(new radio)이라 칭할 수 있다. NR에서도 V2X(vehicle-to-everything) 통신이 지원될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 통신 시스템에 사용될 수 있다. CDMA는 UTRA(universal terrestrial radio access)나 CDMA2000과 같은 무선 기술로 구현될 수 있다. TDMA는 GSM(global system for mobile communications)/GPRS(general packet radio service)/EDGE(enhanced data rates for GSM evolution)와 같은 무선 기술로 구현될 수 있다. OFDMA는 IEEE(institute of electrical and electronics engineers) 802.11(Wi-Fi), IEEE 802.16(WiMAX), IEEE 802-20, E-UTRA(evolved UTRA) 등과 같은 무선 기술로 구현될 수 있다. IEEE 802.16m은 IEEE 802.16e의 진화로, IEEE 802.16e에 기반한 시스템과의 하위 호환성(backward compatibility)를 제공한다. UTRA는 UMTS(universal mobile telecommunications system)의 일부이다. 3GPP(3rd generation partnership project) LTE(long term evolution)은 E-UTRA(evolved-UMTS terrestrial radio access)를 사용하는 E-UMTS(evolved UMTS)의 일부로써, 하향링크에서 OFDMA를 채용하고 상향링크에서 SC-FDMA를 채용한다. LTE-A(advanced)는 3GPP LTE의 진화이다.
5G NR은 LTE-A의 후속 기술로서, 고성능, 저지연, 고가용성 등의 특성을 가지는 새로운 Clean-slate 형태의 이동 통신 시스템이다. 5G NR은 1GHz 미만의 저주파 대역에서부터 1GHz~10GHz의 중간 주파 대역, 24GHz 이상의 고주파(밀리미터파) 대역 등 사용 가능한 모든 스펙트럼 자원을 활용할 수 있다.
설명을 명확하게 하기 위해, LTE-A 또는 5G NR을 위주로 기술하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다.
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.
주행
(1) 차량 외관
도 5는 본 발명의 실시예에 따른 차량을 도시한 도면이다.
도 5를 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.
(2) 차량의 구성 요소
도 6은 본 발명의 실시예에 따른 차량의 제어 블럭도이다.
도 6을 참조하면, 차량(10)은, 사용자 인터페이스 장치(200), 오브젝트 검출 장치(210), 통신 장치(220), 운전 조작 장치(230), 메인 ECU(240), 구동 제어 장치(250), 자율 주행 장치(260), 센싱부(270) 및 위치 데이터 생성 장치(280)를 포함할 수 있다. 오브젝트 검출 장치(210), 통신 장치(220), 운전 조작 장치(230), 메인 ECU(240), 구동 제어 장치(250), 자율 주행 장치(260), 센싱부(270) 및 위치 데이터 생성 장치(280)는 각각이 전기적 신호를 생성하고, 상호간에 전기적 신호를 교환하는 전자 장치로 구현될 수 있다.
1) 사용자 인터페이스 장치
사용자 인터페이스 장치(200)는, 차량(10)과 사용자와의 소통을 위한 장치이다. 사용자 인터페이스 장치(200)는, 사용자 입력을 수신하고, 사용자에게 차량(10)에서 생성된 정보를 제공할 수 있다. 차량(10)은, 사용자 인터페이스 장치(200)를 통해, UI(User Interface) 또는 UX(User Experience)를 구현할 수 있다. 사용자 인터페이스 장치(200)는, 입력 장치, 출력 장치 및 사용자 모니터링 장치를 포함할 수 있다.
2) 오브젝트 검출 장치
오브젝트 검출 장치(210)는, 차량(10) 외부의 오브젝트에 대한 정보를 생성할 수 있다. 오브젝트에 대한 정보는, 오브젝트의 존재 유무에 대한 정보, 오브젝트의 위치 정보, 차량(10)과 오브젝트와의 거리 정보 및 차량(10)과 오브젝트와의 상대 속도 정보 중 적어도 어느 하나를 포함할 수 있다. 오브젝트 검출 장치(210)는, 차량(10) 외부의 오브젝트를 검출할 수 있다. 오브젝트 검출 장치(210)는, 차량(10) 외부의 오브젝트를 검출할 수 있는 적어도 하나의 센서를 포함할 수 있다. 오브젝트 검출 장치(210)는, 카메라, 레이다, 라이다, 초음파 센서 및 적외선 센서 중 적어도 하나를 포함할 수 있다. 오브젝트 검출 장치(210)는, 센서에서 생성되는 센싱 신호에 기초하여 생성된 오브젝트에 대한 데이터를 차량에 포함된 적어도 하나의 전자 장치에 제공할 수 있다.
2.1) 카메라
카메라는 영상을 이용하여 차량(10) 외부의 오브젝트에 대한 정보를 생성할 수 있다. 카메라는 적어도 하나의 렌즈, 적어도 하나의 이미지 센서 및 이미지 센서와 전기적으로 연결되어 수신되는 신호를 처리하고, 처리되는 신호에 기초하여 오브젝트에 대한 데이터를 생성하는 적어도 하나의 프로세서를 포함할 수 있다.
카메라는, 모노 카메라, 스테레오 카메라, AVM(Around View Monitoring) 카메라 중 적어도 어느 하나일 수 있다. 카메라는, 다양한 영상 처리 알고리즘을 이용하여, 오브젝트의 위치 정보, 오브젝트와의 거리 정보 또는 오브젝트와의 상대 속도 정보를 획득할 수 있다. 예를 들면, 카메라는, 획득된 영상에서, 시간에 따른 오브젝트 크기의 변화를 기초로, 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다. 예를 들면, 카메라는, 핀홀(pin hole) 모델, 노면 프로파일링 등을 통해, 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다. 예를 들면, 카메라는, 스테레오 카메라에서 획득된 스테레오 영상에서 디스패러티(disparity) 정보를 기초로 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다.
카메라는, 차량 외부를 촬영하기 위해 차량에서 FOV(field of view) 확보가 가능한 위치에 장착될 수 있다. 카메라는, 차량 전방의 영상을 획득하기 위해, 차량의 실내에서, 프런트 윈드 쉴드에 근접하게 배치될 수 있다. 카메라는, 프런트 범퍼 또는 라디에이터 그릴 주변에 배치될 수 있다. 카메라는, 차량 후방의 영상을 획득하기 위해, 차량의 실내에서, 리어 글라스에 근접하게 배치될 수 있다. 카메라는, 리어 범퍼, 트렁크 또는 테일 게이트 주변에 배치될 수 있다. 카메라는, 차량 측방의 영상을 획득하기 위해, 차량의 실내에서 사이드 윈도우 중 적어도 어느 하나에 근접하게 배치될 수 있다. 또는, 카메라는, 사이드 미러, 휀더 또는 도어 주변에 배치될 수 있다.
2.2) 레이다
레이다는 전파를 이용하여 차량(10) 외부의 오브젝트에 대한 정보를 생성할 수 있다. 레이다는, 전자파 송신부, 전자파 수신부 및 전자파 송신부 및 전자파 수신부와 전기적으로 연결되어, 수신되는 신호를 처리하고, 처리되는 신호에 기초하여 오브젝트에 대한 데이터를 생성하는 적어도 하나의 프로세서를 포함할 수 있다. 레이다는 전파 발사 원리상 펄스 레이다(Pulse Radar) 방식 또는 연속파 레이다(Continuous Wave Radar) 방식으로 구현될 수 있다. 레이다는 연속파 레이다 방식 중에서 신호 파형에 따라 FMCW(Frequency Modulated Continuous Wave)방식 또는 FSK(Frequency Shift Keyong) 방식으로 구현될 수 있다. 레이다는 전자파를 매개로, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식에 기초하여, 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다. 레이다는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.
2.3) 라이다
라이다는, 레이저 광을 이용하여, 차량(10) 외부의 오브젝트에 대한 정보를 생성할 수 있다. 라이다는, 광 송신부, 광 수신부 및 광 송신부 및 광 수신부와 전기적으로 연결되어, 수신되는 신호를 처리하고, 처리된 신호에 기초하여 오브젝트에 대한 데이터를 생성하는 적어도 하나의 프로세서를 포함할 수 있다. 라이다는, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식으로 구현될 수 있다. 라이다는, 구동식 또는 비구동식으로 구현될 수 있다. 구동식으로 구현되는 경우, 라이다는, 모터에 의해 회전되며, 차량(10) 주변의 오브젝트를 검출할 수 있다. 비구동식으로 구현되는 경우, 라이다는, 광 스티어링에 의해, 차량을 기준으로 소정 범위 내에 위치하는 오브젝트를 검출할 수 있다. 차량(10)은 복수의 비구동식 라이다를 포함할 수 있다. 라이다는, 레이저 광 매개로, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식에 기초하여, 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다. 라이다는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.
3) 통신 장치
통신 장치(220)는, 차량(10) 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신 장치(220)는, 인프라(예를 들면, 서버, 방송국), 타 차량, 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신 장치(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.
예를 들어, 통신 장치는 C-V2X(Cellular V2X) 기술을 기반으로 외부 디바이스와 신호를 교환할 수 있다. 예를 들어, C-V2X 기술은 LTE 기반의 사이드링크 통신 및/또는 NR 기반의 사이드링크 통신을 포함할 수 있다.
예를 들어, 통신 장치는 IEEE 802.11p PHY/MAC 계층 기술과 IEEE 1609 Network/Transport 계층 기술 기반의 DSRC(Dedicated Short Range Communications) 기술 또는 WAVE(Wireless Access in Vehicular Environment) 표준을 기반으로 외부 디바이스와 신호를 교환할 수 있다. DSRC (또는 WAVE 표준) 기술은 차량 탑재 장치 간 혹은 노변 장치와 차량 탑재 장치 간의 단거리 전용 통신을 통해 ITS(Intelligent Transport System) 서비스를 제공하기 위해 마련된 통신 규격이다. DSRC 기술은 5.9GHz 대역의 주파수를 사용할 수 있고, 3Mbps~27Mbps의 데이터 전송 속도를 가지는 통신 방식일 수 있다. IEEE 802.11p 기술은 IEEE 1609 기술과 결합되어 DSRC 기술 (혹은 WAVE 표준)을 지원할 수 있다.
본 발명의 통신 장치는 C-V2X 기술 또는 DSRC 기술 중 어느 하나만을 이용하여 외부 디바이스와 신호를 교환할 수 있다. 또는, 본 발명의 통신 장치는 C-V2X 기술 및 DSRC 기술을 하이브리드하여 외부 디바이스와 신호를 교환할 수 있다.
4) 운전 조작 장치
운전 조작 장치(230)는, 운전을 위한 사용자 입력을 수신하는 장치이다. 메뉴얼 모드인 경우, 차량(10)은, 운전 조작 장치(230)에 의해 제공되는 신호에 기초하여 운행될 수 있다. 운전 조작 장치(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.
5) 메인 ECU
메인 ECU(240)는, 차량(10) 내에 구비되는 적어도 하나의 전자 장치의 전반적인 동작을 제어할 수 있다.
6) 구동 제어 장치
구동 제어 장치(250)는, 차량(10)내 각종 차량 구동 장치를 전기적으로 제어하는 장치이다. 구동 제어 장치(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.
구동 제어 장치(250)는, 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함한다.
구동 제어 장치(250)는, 자율 주행 장치(260)에서 수신되는 신호에 기초하여, 차량 구동 장치를 제어할 수 있다. 예를 들면, 제어 장치(250)는, 자율 주행 장치(260)에서 수신되는 신호에 기초하여, 파워 트레인, 조향 장치 및 브레이크 장치를 제어할 수 있다.
7) 자율 주행 장치
자율 주행 장치(260)는, 획득된 데이터에 기초하여, 자율 주행을 위한 패스를 생성할 수 있다. 자율 주행 장치(260)는, 생성된 경로를 따라 주행하기 위한 드라이빙 플랜을 생성 할 수 있다. 자율 주행 장치(260)는, 드라이빙 플랜에 따른 차량의 움직임을 제어하기 위한 신호를 생성할 수 있다. 자율 주행 장치(260)는, 생성된 신호를 구동 제어 장치(250)에 제공할 수 있다.
자율 주행 장치(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.
자율 주행 장치(260)는, 자율 주행 모드에서 수동 주행 모드로의 전환 동작 또는 수동 주행 모드에서 자율 주행 모드로의 전환 동작을 수행할 수 있다. 예를 들면, 자율 주행 장치(260)는, 사용자 인터페이스 장치(200)로부터 수신되는 신호에 기초하여, 차량(10)의 모드를 자율 주행 모드에서 수동 주행 모드로 전환하거나 수동 주행 모드에서 자율 주행 모드로 전환할 수 있다.
8) 센싱부
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.
센싱부(270)는, 적어도 하나의 센서에서 생성되는 신호에 기초하여, 차량의 상태 데이터를 생성할 수 있다. 차량 상태 데이터는, 차량 내부에 구비된 각종 센서에서 감지된 데이터를 기초로 생성된 정보일 수 있다. 센싱부(270)는, 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 생성할 수 있다.
9) 위치 데이터 생성 장치
위치 데이터 생성 장치(280)는, 차량(10)의 위치 데이터를 생성할 수 있다. 위치 데이터 생성 장치(280)는, GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다. 위치 데이터 생성 장치(280)는, GPS 및 DGPS 중 적어도 어느 하나에서 생성되는 신호에 기초하여 차량(10)의 위치 데이터를 생성할 수 있다. 실시예에 따라, 위치 데이터 생성 장치(280)는, 센싱부(270)의 IMU(Inertial Measurement Unit) 및 오브젝트 검출 장치(210)의 카메라 중 적어도 어느 하나에 기초하여 위치 데이터를 보정할 수 있다. 위치 데이터 생성 장치(280)는, GNSS(Global Navigation Satellite System)로 명명될 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.
(3) 자율 주행 장치의 구성 요소
도 7은 본 발명의 실시예에 따른 자율 주행 장치의 제어 블럭도이다.
도 7을 참조하면, 자율 주행 장치(260)는, 메모리(140), 프로세서(170), 인터페이스부(180) 및 전원 공급부(190)를 포함할 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 장치(260) 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. 실시예에 따라, 메모리(140)는 AI 프로세싱에 필요한 각종 프로그램, 신경망 모델 (예: 딥 러닝 모델 등) 및 데이터를 저장할 수 있다. 실시예에 따라, 메모리(140)는 AI 프로세서에 의해 액세스될 수 있으며, AI 프로세서에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
인터페이스부(180)는, 차량(10) 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 신호를 교환할 수 있다. 인터페이스부(180)는, 오브젝트 검출 장치(210), 통신 장치(220), 운전 조작 장치(230), 메인 ECU(240), 구동 제어 장치(250), 센싱부(270) 및 위치 데이터 생성 장치(280) 중 적어도 어느 하나와 유선 또는 무선으로 신호를 교환할 수 있다. 인터페이스부(180)는, 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
전원 공급부(190)는, 자율 주행 장치(260)에 전원을 공급할 수 있다. 전원 공급부(190)는, 차량(10)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 자율 주행 장치(260)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(180), 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, 인터페이스부(180)를 통해, 차량(10) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 프로세서(170)는, 인터페이스부(180)를 통해, 차량(10) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.
프로세서(170)은 AI 프로세서(170-1)를 포함할 수 있다. 또는, 프로세서(170) 자체가 AI 프로세싱을 수행할 수 있는 AI 프로세서에 해당할 수 있다.
실시예에 따라, AI 프로세서(170-1)는 메모리(140)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 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 포함한다.
실시예에 따라, AI 프로세서(170-1)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(175)를 포함할 수 있다. 데이터 학습부(172)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(175)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(175)는 적어도 하나의 하드웨어 칩 형태로 제작되어 후술할 AI 장치(1500)에 탑재될 수 있다. 예를 들어, 데이터 학습부(175)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(1500)에 탑재될 수도 있다. 또한, 데이터 학습부(175)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.
실시예에 따라, 데이터 학습부(175)는 학습 데이터 획득부(176) 및 모델 학습부(177)를 포함할 수 있다.
학습 데이터 획득부(176)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(176)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(177)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(177)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(177)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(177)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(174)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(177)는 학습된 신경망 모델을 메모리(140)에 저장할 수 있다. 모델 학습부(177)는 학습된 신경망 모델을 AI 장치(1500)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(175)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 학습부가 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 획득부에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부에 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(175)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 학습부로 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 설정된 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
상술한 AI 프로세서(170-1)는 프로세서(170)과 독립적으로 자율 주행 장치(260) 내에 존재할 수도 있다.
자율 주행 장치(260)는, 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(140), 인터페이스부(180), 전원 공급부(190) 및 프로세서(170)는, 인쇄 회로 기판에 전기적으로 연결될 수 있다.
(4) 자율 주행 장치의 동작
도 8은 본 발명의 실시예에 따른 자율 주행 차량의 신호 흐름도이다.
1) 수신 동작
도 8을 참조하면, 프로세서(170)는, 수신 동작을 수행할 수 있다. 프로세서(170)는, 인터페이스부(180)를 통해, 오브젝트 검출 장치(210), 통신 장치(220), 센싱부(270) 및 위치 데이터 생성 장치(280) 중 적어도 어느 하나로부터, 데이터를 수신할 수 있다. 프로세서(170)는, 오브젝트 검출 장치(210)로부터, 오브젝트 데이터를 수신할 수 있다. 프로세서(170)는, 통신 장치(220)로부터, HD 맵 데이터를 수신할 수 있다. 프로세서(170)는, 센싱부(270)로부터, 차량 상태 데이터를 수신할 수 있다. 프로세서(170)는, 위치 데이터 생성 장치(280)로부터 위치 데이터를 수신할 수 있다.
2) 처리/판단 동작
프로세서(170)는, 처리/판단 동작을 수행할 수 있다. 프로세서(170)는, 주행 상황 정보에 기초하여, 처리/판단 동작을 수행할 수 있다. 프로세서(170)는, 오브젝트 데이터, HD 맵 데이터, 차량 상태 데이터 및 위치 데이터 중 적어도 어느 하나에 기초하여, 처리/판단 동작을 수행할 수 있다.
2.1) 드라이빙 플랜 데이터 생성 동작
프로세서(170)는, 드라이빙 플랜 데이터(driving plan data)를 생성할 수 있다. 예를 들면, 프로세서(170는, 일렉트로닉 호라이즌 데이터(Electronic Horizon Data)를 생성할 수 있다. 일렉트로닉 호라이즌 데이터는, 차량(10)이 위치한 지점에서부터 호라이즌(horizon)까지 범위 내에서의 드라이빙 플랜 데이터로 이해될 수 있다. 호라이즌은, 기 설정된 주행 경로를 기준으로, 차량(10)이 위치한 지점에서 기설정된 거리 앞의 지점으로 이해될 수 있다. 호라이즌은, 기 설정된 주행 경로를 따라 차량(10)이 위치한 지점에서부터 차량(10)이 소정 시간 이후에 도달할 수 있는 지점을 의미할 수 있다.
일렉트로닉 호라이즌 데이터는, 호라이즌 맵 데이터 및 호라이즌 패스 데이터를 포함할 수 있다.
2.1.1) 호라이즌 맵 데이터
호라이즌 맵 데이터는, 토폴로지 데이터(topology data), 도로 데이터, HD 맵 데이터 및 다이나믹 데이터(dynamic data) 중 적어도 어느 하나를 포함할 수 있다. 실시예에 따라, 호라이즌 맵 데이터는, 복수의 레이어를 포함할 수 있다. 예를 들면, 호라이즌 맵 데이터는, 토폴로지 데이터에 매칭되는 1 레이어, 도로 데이터에 매칭되는 제2 레이어, HD 맵 데이터에 매칭되는 제3 레이어 및 다이나믹 데이터에 매칭되는 제4 레이어를 포함할 수 있다. 호라이즌 맵 데이터는, 스태이틱 오브젝트(static object) 데이터를 더 포함할 수 있다.
토폴로지 데이터는, 도로 중심을 연결해 만든 지도로 설명될 수 있다. 토폴로지 데이터는, 차량의 위치를 대략적으로 표시하기에 알맞으며, 주로 운전자를 위한 내비게이션에서 사용하는 데이터의 형태일 수 있다. 토폴로지 데이터는, 차로에 대한 정보가 제외된 도로 정보에 대한 데이터로 이해될 수 있다. 토폴로지 데이터는, 통신 장치(220)를 통해, 외부 서버에서 수신된 데이터에 기초하여 생성될 수 있다. 토폴로지 데이터는, 차량(10)에 구비된 적어도 하나의 메모리에 저장된 데이터에 기초할 수 있다.
도로 데이터는, 도로의 경사 데이터, 도로의 곡률 데이터, 도로의 제한 속도 데이터 중 적어도 어느 하나를 포함할 수 있다. 도로 데이터는, 추월 금지 구간 데이터를 더 포함할 수 있다. 도로 데이터는, 통신 장치(220)를 통해, 외부 서버에서 수신된 데이터에 기초할 수 있다. 도로 데이터는, 오브젝트 검출 장치(210)에서 생성된 데이터에 기초할 수 있다.
HD 맵 데이터는, 도로의 상세한 차선 단위의 토폴로지 정보, 각 차선의 연결 정보, 차량의 로컬라이제이션(localization)을 위한 특징 정보(예를 들면, 교통 표지판, Lane Marking/속성, Road furniture 등)를 포함할 수 있다. HD 맵 데이터는, 통신 장치(220)를 통해, 외부 서버에서 수신된 데이터에 기초할 수 있다.
다이나믹 데이터는, 도로상에서 발생될 수 있는 다양한 동적 정보를 포함할 수 있다. 예를 들면, 다이나믹 데이터는, 공사 정보, 가변 속도 차로 정보, 노면 상태 정보, 트래픽 정보, 무빙 오브젝트 정보 등을 포함할 수 있다. 다이나믹 데이터는, 통신 장치(220)를 통해, 외부 서버에서 수신된 데이터에 기초할 수 있다. 다이나믹 데이터는, 오브젝트 검출 장치(210)에서 생성된 데이터에 기초할 수 있다.
프로세서(170)는, 차량(10)이 위치한 지점에서부터 호라이즌까지 범위 내에서의 맵 데이터를 제공할 수 있다.
2.1.2) 호라이즌 패스 데이터
호라이즌 패스 데이터는, 차량(10)이 위치한 지점에서부터 호라이즌까지의 범위 내에서 차량(10)이 취할 수 있는 궤도로 설명될 수 있다. 호라이즌 패스 데이터는, 디시전 포인트(decision point)(예를 들면, 갈림길, 분기점, 교차로 등)에서 어느 하나의 도로를 선택할 상대 확률을 나타내는 데이터를 포함할 수 있다. 상대 확률은, 최종 목적지까지 도착하는데 걸리는 시간에 기초하여 계산될 수 있다. 예를 들면, 디시전 포인트에서, 제1 도로를 선택하는 경우 제2 도로를 선택하는 경우보다 최종 목적지에 도착하는데 걸리는 시간이 더 작은 경우, 제1 도로를 선택할 확률은 제2 도로를 선택할 확률보다 더 높게 계산될 수 있다.
호라이즌 패스 데이터는, 메인 패스와 서브 패스를 포함할 수 있다. 메인 패스는, 선택될 상대적 확률이 높은 도로들을 연결한 궤도로 이해될 수 있다. 서브 패스는, 메인 패스 상의 적어도 하나의 디시전 포인트에서 분기될 수 있다. 서브 패스는, 메인 패스 상의 적어도 하나의 디시전 포인트에서 선택될 상대적 확률이 낮은 적어도 어느 하나의 도로를 연결한 궤도로 이해될 수 있다.
3) 제어 신호 생성 동작
프로세서(170)는, 제어 신호 생성 동작을 수행할 수 있다. 프로세서(170)는, 일렉트로닉 호라이즌 데이터에 기초하여, 제어 신호를 생성할 수 있다. 예를 들면, 프로세서(170)는, 일렉트로닉 호라이즌 데이터에 기초하여, 파워트레인 제어 신호, 브라이크 장치 제어 신호 및 스티어링 장치 제어 신호 중 적어도 어느 하나를 생성할 수 있다.
프로세서(170)는, 인터페이스부(180)를 통해, 생성된 제어 신호를 구동 제어 장치(250)에 전송할 수 있다. 구동 제어 장치(250)는, 파워 트레인(251), 브레이크 장치(252) 및 스티어링 장치(253) 중 적어도 어느 하나에 제어 신호를 전송할 수 있다.
캐빈
도 9는 본 발명의 실시예에 따른 차량의 내부를 도시한 도면이다. 도 10은 본 발명의 실시예에 따른 차량용 캐빈 시스템을 설명하는데 참조되는 블럭도이다.
(1) 캐빈의 구성 요소
도 9 내지 도 10을 참조하면, 차량용 캐빈 시스템(300)(이하, 캐빈 시스템)은 차량(10)을 이용하는 사용자를 위한 편의 시스템으로 정의될 수 있다. 캐빈 시스템(300)은, 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이 먼트 시스템(365)을 포함하는 최상위 시스템으로 설명될 수 있다. 캐빈 시스템(300)은, 메인 컨트롤러(370), 메모리(340), 인터페이스부(380), 전원 공급부(390), 입력 장치(310), 영상 장치(320), 통신 장치(330), 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이먼트 시스템(365)을 포함할 수 있다. 실시예에 따라, 캐빈 시스템(300)은, 본 명세서에서 설명되는 구성 요소외에 다른 구성 요소를 더 포함하거나, 설명되는 구성 요소 중 일부를 포함하지 않을 수 있다.
1) 메인 컨트롤러
메인 컨트롤러(370)는, 입력 장치(310), 통신 장치(330), 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이먼트 시스템(365)과 전기적으로 연결되어 신호를 교환할 수 있다. 메인 컨트롤러(370)는, 입력 장치(310), 통신 장치(330), 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이먼트 시스템(365)을 제어할 수 있다. 메인 컨트롤러(370)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.
메인 컨트롤러(370)는, 적어도 하나의 서브 컨트롤러로 구성될 수 있다. 실시예에 따라, 메인 컨트롤러(370)는, 복수의 서브 컨트롤러를 포함할 수 있다. 복수의 서브 컨트롤러는 각각이, 그루핑된 캐빈 시스템(300)에 포함된 장치 및 시스템을 개별적으로 제어할 수 있다. 캐빈 시스템(300)에 포함된 장치 및 시스템은, 기능별로 그루핑되거나, 착좌 가능한 시트를 기준으로 그루핑될 수 있다.
메인 컨트롤러(370)는, 적어도 하나의 프로세서(371)를 포함할 수 있다. 도 6에는 메인 컨트롤러(370)가 하나의 프로세서(371)를 포함하는 것으로 예시되나, 메인 컨트롤러(371)는, 복수의 프로세서를 포함할 수도 있다. 프로세서(371)는, 상술한 서브 컨트롤러 중 어느 하나로 분류될 수도 있다.
프로세서(371)는, 통신 장치(330)를 통해, 사용자 단말기로부터 신호, 정보 또는 데이터를 수신할 수 있다. 사용자 단말기는, 캐빈 시스템(300)에 신호, 정보 또는 데이터를 전송할 수 있다.
프로세서(371)는, 영상 장치에 포함된 내부 카메라 및 외부 카메 중 적어도 어느 하나에서 수신되는 영상 데이터에 기초하여, 사용자를 특정할 수 있다. 프로세서(371)는, 영상 데이터에 영상 처리 알고리즘을 적용하여 사용자를 특정할 수 있다. 예를 들면, 프로세서(371)는, 사용자 단말기로부터 수신되는 정보와 영상 데이터를 비교하여 사용자를 특정할 수 있다. 예를 들면, 정보는, 사용자의 경로 정보, 신체 정보, 동승자 정보, 짐 정보, 위치 정보, 선호하는 컨텐츠 정보, 선호하는 음식 정보, 장애 여부 정보 및 이용 이력 정보 중 적어도 어느 하나를 포함할 수 있다.
메인 컨트롤러(370)는, 인공지능 에이전트(artificial intelligence agent)(372)를 포함할 수 있다. 인공지능 에이전트(372)는, 입력 장치(310)를 통해 획득된 데이터를 기초로 기계 학습(machine learning)을 수행할 수 있다. 인공지능 에이전트(372)는, 기계 학습된 결과에 기초하여, 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이먼트 시스템(365) 중 적어도 어느 하나를 제어할 수 있다.
2) 필수 구성 요소
메모리(340)는, 메인 컨트롤러(370)와 전기적으로 연결된다. 메모리(340)는 유닛에 대한 기본데이터, 유닛의 동작제어를 위한 제어데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(340)는, 메인 컨트롤러(370)에서 처리된 데이터를 저장할 수 있다. 메모리(340)는, 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(340)는 메인 컨트롤러(370)의 처리 또는 제어를 위한 프로그램 등, 캐빈 시스템(300) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(340)는, 메인 컨트롤러(370)와 일체형으로 구현될 수 있다.
인터페이스부(380)는, 차량(10) 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 신호를 교환할 수 있다. 인터페이스부(380)는, 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
전원 공급부(390)는, 캐빈 시스템(300)에 전원을 공급할 수 있다. 전원 공급부(390)는, 차량(10)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 캐빈 시스템(300)의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(390)는, 메인 컨트롤러(370)로부터 제공되는 제어 신호에 따라 동작될 수 있다. 예를 들면, 전원 공급부(390)는, SMPS(switched-mode power supply)로 구현될 수 있다.
캐빈 시스템(300)은, 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메인 컨트롤러(370), 메모리(340), 인터페이스부(380) 및 전원 공급부(390)는, 적어도 하나의 인쇄 회로 기판에 실장될 수 있다.
3) 입력 장치
입력 장치(310)는, 사용자 입력을 수신할 수 있다. 입력 장치(310)는, 사용자 입력을 전기적 신호로 전환할 수 있다. 입력 장치(310)에 의해 전환된 전기적 신호는 제어 신호로 전환되어 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이먼트 시스템(365) 중 적어도 어느 하나에 제공될 수 있다. 메인 컨트롤러(370) 또는 캐빈 시스템(300)에 포함되는 적어도 하나의 프로세서는 입력 장치(310)로부터 수신되는 전기적 신호에 기초한 제어 신호를 생성할 수 있다.
입력 장치(310)는, 터치 입력부, 제스쳐 입력부, 기계식 입력부 및 음성 입력부 중 적어도 어느 하나를 포함할 수 있다. 터치 입력부는, 사용자의 터치 입력을 전기적 신호로 전환할 수 있다. 터치 입력부는, 사용자의 터치 입력을 감지하기 위해 적어도 하나의 터치 센서를 포함할 수 있다. 실시예에 따라, 터치 입력부는 디스플레이 시스템(350)에 포함되는 적어도 하나의 디스플레이 와 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한, 터치 스크린은, 캐빈 시스템(300)과 사용자 사이의 입력 인터페이스 및 출력 인터페이스를 함께 제공할 수 있다. 제스쳐 입력부는, 사용자의 제스쳐 입력을 전기적 신호로 전환할 수 있다. 제스쳐 입력부는, 사용자의 제스쳐 입력을 감지하기 위한 적외선 센서 및 이미지 센서 중 적어도 어느 하나를 포함할 수 있다. 실시예에 따라, 제스쳐 입력부는, 사용자의 3차원 제스쳐 입력을 감지할 수 있다. 이를 위해, 제스쳐 입력부는, 복수의 적외선 광을 출력하는 광출력부 또는 복수의 이미지 센서를 포함할 수 있다. 제스쳐 입력부는, TOF(Time of Flight) 방식, 구조광(Structured light) 방식 또는 디스패러티(Disparity) 방식을 통해 사용자의 3차원 제스쳐 입력을 감지할 수 있다. 기계식 입력부는, 기계식 장치를 통한 사용자의 물리적인 입력(예를 들면, 누름 또는 회전)을 전기적 신호로 전환할 수 있다. 기계식 입력부는, 버튼, 돔 스위치(dome switch), 조그 휠 및 조그 스위치 중 적어도 어느 하나를 포함할 수 있다. 한편, 제스쳐 입력부와 기계식 입력부는 일체형으로 형성될 수 있다. 예를 들면, 입력 장치(310)는, 제스쳐 센서가 포함되고, 주변 구조물(예를 들면, 시트, 암레스트 및 도어 중 적어도 어느 하나)의 일부분에서 출납 가능하게 형성된 조그 다이얼 장치를 포함할 수 있다. 조그 다이얼 장치가 주변 구조물과 평평한 상태를 이룬 경우, 조그 다이얼 장치는 제스쳐 입력부로 기능할 수 있다. 조그 다이얼 장치가 주변 구조물에 비해 돌출된 상태의 경우, 조그 다이얼 장치는 기계식 입력부로 기능할 수 있다. 음성 입력부는, 사용자의 음성 입력을 전기적 신호로 전환할 수 있다. 음성 입력부는, 적어도 하나의 마이크로 폰을 포함할 수 있다. 음성 입력부는, 빔 포밍 마이크(Beam foaming MIC)를 포함할 수 있다.
4) 영상 장치
영상 장치(320)는, 적어도 하나의 카메라를 포함할 수 있다. 영상 장치(320)는, 내부 카메라 및 외부 카메라 중 적어도 어느 하나를 포함할 수 있다. 내부 카메라는, 캐빈 내의 영상을 촬영할 수 있다. 외부 카메라는, 차량 외부 영상을 촬영할 수 있다. 내부 카메라는, 캐빈 내의 영상을 획득할 수 있다. 영상 장치(320)는, 적어도 하나의 내부 카메라를 포함할 수 있다. 영상 장치(320)는, 탑승 가능 인원에 대응되는 갯수의 카메라를 포함하는 것이 바람직하다. 영상 장치(320)는, 내부 카메라에 의해 획득된 영상을 제공할 수 있다. 메인 컨트롤러(370) 또는 캐빈 시스템(300)에 포함되는 적어도 하나의 프로세서는, 내부 카메라에 의해 획득된 영상에 기초하여 사용자의 모션을 검출하고, 검출된 모션에 기초하여 신호를 생성하여, 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이먼트 시스템(365) 중 적어도 어느 하나에 제공할 수 있다. 외부 카메라는, 차량 외부 영상을 획득할 수 있다. 영상 장치(320)는, 적어도 하나의 외부 카메라를 포함할 수 있다. 영상 장치(320)는, 탑승 도어에 대응되는 갯수의 카메라를 포함하는 것이 바람직하다. 영상 장치(320)는, 외부 카메라에 의해 획득된 영상을 제공할 수 있다. 메인 컨트롤러(370) 또는 캐빈 시스템(300)에 포함되는 적어도 하나의 프로세서는, 외부 카메라에 의해 획득된 영상에 기초하여 사용자 정보를 획득할 수 있다. 메인 컨트롤러(370) 또는 캐빈 시스템(300)에 포함되는 적어도 하나의 프로세서는, 사용자 정보에 기초하여, 사용자를 인증하거나, 사용자의 신체 정보(예를 들면, 신장 정보, 체중 정보 등), 사용자의 동승자 정보, 사용자의 짐 정보 등을 획득할 수 있다.
5) 통신 장치
통신 장치(330)는, 외부 디바이스와 무선으로 신호를 교환할 수 있다. 통신 장치(330)는, 네트워크 망을 통해 외부 디바이스와 신호를 교환하거나, 직접 외부 디바이스와 신호를 교환할 수 있다. 외부 디바이스는, 서버, 이동 단말기 및 타 차량 중 적어도 어느 하나를 포함할 수 있다. 통신 장치(330)는, 적어도 하나의 사용자 단말기와 신호를 교환할 수 있다. 통신 장치(330)는, 통신을 수행하기 위해 안테나, 적어도 하나의 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다. 실시예에 따라, 통신 장치(330)는, 복수의 통신 프로토콜을 이용할 수도 있다. 통신 장치(330)는, 이동 단말기와의 거리에 따라 통신 프로토콜을 전환할 수 있다.
예를 들어, 통신 장치는 C-V2X(Cellular V2X) 기술을 기반으로 외부 디바이스와 신호를 교환할 수 있다. 예를 들어, C-V2X 기술은 LTE 기반의 사이드링크 통신 및/또는 NR 기반의 사이드링크 통신을 포함할 수 있다.
예를 들어, 통신 장치는 IEEE 802.11p PHY/MAC 계층 기술과 IEEE 1609 Network/Transport 계층 기술 기반의 DSRC(Dedicated Short Range Communications) 기술 또는 WAVE(Wireless Access in Vehicular Environment) 표준을 기반으로 외부 디바이스와 신호를 교환할 수 있다. DSRC (또는 WAVE 표준) 기술은 차량 탑재 장치 간 혹은 노변 장치와 차량 탑재 장치 간의 단거리 전용 통신을 통해 ITS(Intelligent Transport System) 서비스를 제공하기 위해 마련된 통신 규격이다. DSRC 기술은 5.9GHz 대역의 주파수를 사용할 수 있고, 3Mbps~27Mbps의 데이터 전송 속도를 가지는 통신 방식일 수 있다. IEEE 802.11p 기술은 IEEE 1609 기술과 결합되어 DSRC 기술 (혹은 WAVE 표준)을 지원할 수 있다.
본 발명의 통신 장치는 C-V2X 기술 또는 DSRC 기술 중 어느 하나만을 이용하여 외부 디바이스와 신호를 교환할 수 있다. 또는, 본 발명의 통신 장치는 C-V2X 기술 및 DSRC 기술을 하이브리드하여 외부 디바이스와 신호를 교환할 수 있다.
6) 디스플레이 시스템
디스플레이 시스템(350)은, 그래픽 객체를 표시할 수 있다. 디스플레이 시스템(350)은, 적어도 하나의 디스플레이 장치를 포함할 수 있다. 예를 들면, 디스플레이 시스템(350)은, 공용으로 이용 가능한 제1 디스플레이 장치(410)와 개별 이용 가능한 제2 디스플레이 장치(420)를 포함할 수 있다.
6.1) 공용 디스플레이 장치
제1 디스플레이 장치(410)는, 시각적 컨텐츠를 출력하는 적어도 하나의 디스플레이(411)를 포함할 수 있다. 제1 디스플레이 장치(410)에 포함되는 디스플레이(411)는, 평면 디스플레이. 곡면 디스플레이, 롤러블 디스플레이 및 플렉서블 디스플레이 중 적어도 어느 하나로 구현될 수 있다. 예를 들면, 제1 디스플레이 장치(410)는, 시트 후방에 위치하고, 캐빈 내로 출납 가능하게 형성된 제1 디스플레이(411) 및 상기 제1 디스플레이(411)를 이동시키기 위한 제1 메카니즘를 포함할 수 있다. 제1 디스플레이(411)는, 시트 메인 프레임에 형성된 슬롯에 출납 가능하게 배치될 수 있다. 실시예에 따라, 제1 디스플레이 장치(410)는, 플렉서블 영역 조절 메카니즘을 더 포함할 수 있다. 제1 디스플레이는, 플렉서블하게 형성될 수 있고, 사용자의 위치에 따라, 제1 디스플레이의 플렉서블 영역이 조절될 수 있다. 예를 들면, 제1 디스플레이 장치(410)는, 캐빈내 천장에 위치하고, 롤러블(rollable)하게 형성된 제2 디스플레이 및 상기 제2 디스플레이를 감거나 풀기 위한 제2 메카니즘을 포함할 수 있다. 제2 디스플레이는, 양면에 화면 출력이 가능하게 형성될 수 있다. 예를 들면, 제1 디스플레이 장치(410)는, 캐빈내 천장에 위치하고, 플렉서블(flexible)하게 형성된 제3 디스플레이 및 상기 제3 디스플레이를 휘거나 펴기위한 제3 메카니즘을 포함할 수 있다. 실시예에 따라, 디스플레이 시스템(350)은, 제1 디스플레이 장치(410) 및 제2 디스플레이 장치(420) 중 적어도 어느 하나에 제어 신호를 제공하는 적어도 하나의 프로세서를 더 포함할 수 있다. 디스플레이 시스템(350)에 포함되는 프로세서는, 메인 컨트롤러(370), 입력 장치(310), 영상 장치(320) 및 통신 장치(330) 중 적어도 어느 하나로부터 수신되는 신호에 기초하여 제어 신호를 생성할 수 있다.
제1 디스플레이 장치(410)에 포함되는 디스플레이의 표시 영역은, 제1 영역(411a) 및 제2 영역(411b)으로 구분될 수 있다. 제1 영역(411a)은, 컨텐츠를 표시 영역으로 정의될 수 있다. 예를 들면, 제 1영역(411)은, 엔터테인먼트 컨텐츠(예를 들면, 영화, 스포츠, 쇼핑, 음악 등), 화상 회의, 음식 메뉴 및 증강 현실 화면에 대응하는 그래픽 객체 중 적어도 어느 하나를 표시할 수 있다. 제1 영역(411a)은, 차량(10)의 주행 상황 정보에 대응하는 그래픽 객체를 표시할 수 있다. 주행 상황 정보는, 주행 상황 정보는, 차량 외부의 오브젝트 정보, 내비게이션 정보 및 차량 상태 정보 중 적어도 어느 하나를 포함할 수 있다. 차량 외부의 오브젝트 정보는, 오브젝트의 존재 유무에 대한 정보, 오브젝트의 위치 정보, 차량(300)과 오브젝트와의 거리 정보 및 차량(300)과 오브젝트와의 상대 속도 정보를 포함할 수 있다. 내비게이션 정보는, 맵(map) 정보, 설정된 목적지 정보, 상기 목적지 설정 따른 경로 정보, 경로 상의 다양한 오브젝트에 대한 정보, 차선 정보 및 차량의 현재 위치 정보 중 적어도 어느 하나를 포함할 수 있다. 차량 상태 정보는, 차량의 자세 정보, 차량의 속도 정보, 차량의 기울기 정보, 차량의 중량 정보, 차량의 방향 정보, 차량의 배터리 정보, 차량의 연료 정보, 차량의 타이어 공기압 정보, 차량의 스티어링 정보, 차량 실내 온도 정보, 차량 실내 습도 정보, 페달 포지션 정보 및 차량 엔진 온도 정보 등을 포함할 수 있다. 제2 영역(411b)은, 사용자 인터페이스 영역으로 정의될 수 있다. 예를 들면, 제2 영역(411b)은, 인공 지능 에이전트 화면을 출력할 수 있다. 실시예에 따라, 제2 영역(411b)은, 시트 프레임으로 구분되는 영역에 위치할 수 있다. 이경우, 사용자는, 복수의 시트 사이로 제2 영역(411b)에 표시되는 컨텐츠를 바라볼 수 있다. 실시예에 따라, 제1 디스플레이 장치(410)는, 홀로그램 컨텐츠를 제공할 수 있다. 예를 들면, 제1 디스플레이 장치(410)는, 복수의 사용자별로 홀로그램 컨텐츠를 제공하여 컨텐츠를 요청한 사용자만 해당 컨텐츠를 시청하게 할 수 있다.
6.2) 개인용 디스플레이 장치
제2 디스플레이 장치(420)는, 적어도 하나의 디스플레이(421)을 포함할 수 있다. 제2 디스플레이 장치(420)는, 개개의 탑승자만 디스플레이 내용을 확인할 수 있는 위치에 디스플레이(421)을 제공할 수 있다. 예를 들면, 디스플레이(421)은, 시트의 암 레스트에 배치될 수 있다. 제2 디스플레이 장치(420)는, 사용자의 개인 정보에 대응되는 그래픽 객체를 표시할 수 있다. 제2 디스플레이 장치(420)는, 탑승 가능 인원에 대응되는 갯수의 디스플레이(421)을 포함할 수 있다. 제2 디스플레이 장치(420)는, 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 제2 디스플레이 장치(420)는, 시트 조정 또는 실내 온도 조정의 사용자 입력을 수신하기 위한 그래픽 객체를 표시할 수 있다.
7) 카고 시스템
카고 시스템(355)은, 사용자의 요청에 따라 상품을 사용자에게 제공할 수 있다. 카고 시스템(355)은, 입력 장치(310) 또는 통신 장치(330)에 의해 생성되는 전기적 신호에 기초하여 동작될 수 있다. 카고 시스템(355)은, 카고 박스를 포함할 수 있다. 카고 박스는, 상품들이 적재된 상태로 시트 하단의 일 부분에 은닉될 수 있다. 사용자 입력에 기초한 전기적 신호가 수신되는 경우, 카고 박스는, 캐빈으로 노출될 수 있다. 사용자는 노출된 카고 박스에 적재된 물품 중 필요한 상품을 선택할 수 있다. 카고 시스템(355)은, 사용자 입력에 따른 카고 박스의 노출을 위해, 슬라이딩 무빙 메카니즘, 상품 팝업 메카니즘을 포함할 수 있다. 카고 시스템은(355)은, 다양한 종류의 상품을 제공하기 위해 복수의 카고 박스를 포함할 수 있다. 카고 박스에는, 상품별로 제공 여부를 판단하기 위한 무게 센서가 내장될 수 있다.
8) 시트 시스템
시트 시스템(360)은, 사용자에 맞춤형 시트를 사용자에게 제공할 수 있다. 시트 시스템(360)은, 입력 장치(310) 또는 통신 장치(330)에 의해 생성되는 전기적 신호에 기초하여 동작될 수 있다. 시트 시스템(360)은, 획득된 사용자 신체 데이터에 기초하여, 시트의 적어도 하나의 요소를 조정할 수 있다. 시트 시스템(360)은 사용자의 착좌 여부를 판단하기 위한 사용자 감지 센서(예를 들면, 압력 센서)를 포함할 수 있다. 시트 시스템(360)은, 복수의 사용자가 각각 착좌할 수 있는 복수의 시트를 포함할 수 있다. 복수의 시트 중 어느 하나는 적어도 다른 하나와 마주보게 배치될 수 있다. 캐빈 내부의 적어도 두명의 사용자는 서로 마주보고 앉을 수 있다.
9) 페이먼트 시스템
페이먼트 시스템(365)은, 결제 서비스를 사용자에게 제공할 수 있다. 페이먼트 시스템(365)은, 입력 장치(310) 또는 통신 장치(330)에 의해 생성되는 전기적 신호에 기초하여 동작될 수 있다. 페이먼트 시스템(365)은, 사용자가 이용한 적어도 하나의 서비스에 대한 가격을 산정하고, 산정된 가격이 지불되도록 요청할 수 있다.
(2) 자율 주행 차량 이용 시나리오
도 11은 본 발명의 실시예에 따라 사용자의 이용 시나리오를 설명하는데 참조되는 도면이다.
1) 목적지 예측 시나리오
제1 시나리오(S111)는, 사용자의 목적지 예측 시나리오이다. 사용자 단말기는 캐빈 시스템(300)과 연동 가능한 애플리케이션을 설치할 수 있다. 사용자 단말기는, 애플리케이션을 통해, 사용자의 컨텍스트추얼 정보(user's contextual information)를 기초로, 사용자의 목적지를 예측할 수 있다. 사용자 단말기는, 애플리케이션을 통해, 캐빈 내의 빈자리 정보를 제공할 수 있다.
2) 캐빈 인테리어 레이아웃 준비 시나리오
제2 시나리오(S112)는, 캐빈 인테리어 레이아웃 준비 시나리오이다. 캐빈 시스템(300)은, 차량(300) 외부에 위치하는 사용자에 대한 데이터를 획득하기 위한 스캐닝 장치를 더 포함할 수 있다. 스캐닝 장치는, 사용자를 스캐닝하여, 사용자의 신체 데이터 및 수하물 데이터를 획득할 수 있다. 사용자의 신체 데이터 및 수하물 데이터는, 레이아웃을 설정하는데 이용될 수 있다. 사용자의 신체 데이터는, 사용자 인증에 이용될 수 있다. 스캐닝 장치는, 적어도 하나의 이미지 센서를 포함할 수 있다. 이미지 센서는, 가시광 대역 또는 적외선 대역의 광을 이용하여 사용자 이미지를 획득할 수 있다.
시트 시스템(360)은, 사용자의 신체 데이터 및 수하물 데이터 중 적어도 어느 하나에 기초하여, 캐빈 내 레이아웃을 설정할 수 있다. 예를 들면, 시트 시스템(360)은, 수하물 적재 공간 또는 카시트 설치 공간을 마련할 수 있다.
3) 사용자 환영 시나리오
제3 시나리오(S113)는, 사용자 환영 시나리오이다. 캐빈 시스템(300)은, 적어도 하나의 가이드 라이트를 더 포함할 수 있다. 가이드 라이트는, 캐빈 내 바닥에 배치될 수 있다. 캐빈 시스템(300)은, 사용자의 탑승이 감지되는 경우, 복수의 시트 중 기 설정된 시트에 사용자가 착석하도록 가이드 라이트를 출력할 수 있다. 예를 들면, 메인 컨트롤러(370)는, 오픈된 도어에서부터 기 설정된 사용자 시트까지 시간에 따른 복수의 광원에 대한 순차 점등을 통해, 무빙 라이트를 구현할 수 있다.
4) 시트 조절 서비스 시나리오
제4 시나리오(S114)는, 시트 조절 서비스 시나리오이다. 시트 시스템(360)은, 획득된 신체 정보에 기초하여, 사용자와 매칭되는 시트의 적어도 하나의 요소를 조절할 수 있다.
5) 개인 컨텐츠 제공 시나리오
제5 시나리오(S115)는, 개인 컨텐츠 제공 시나리오이다. 디스플레이 시스템(350)은, 입력 장치(310) 또는 통신 장치(330)를 통해, 사용자 개인 데이터를 수신할 수 있다. 디스플레이 시스템(350)은, 사용자 개인 데이터에 대응되는 컨텐츠를 제공할 수 있다.
6) 상품 제공 시나리오
제6 시나리오(S116)는, 상품 제공 시나리오이다. 카고 시스템(355)은, 입력 장치(310) 또는 통신 장치(330)를 통해, 사용자 데이터를 수신할 수 있다. 사용자 데이터는, 사용자의 선호도 데이터 및 사용자의 목적지 데이터 등을 포함할 수 있다. 카고 시스템(355)은, 사용자 데이터에 기초하여, 상품을 제공할 수 있다.
7) 페이먼트 시나리오
제7 시나리오(S117)는, 페이먼트 시나리오이다. 페이먼트 시스템(365)은, 입력 장치(310), 통신 장치(330) 및 카고 시스템(355) 중 적어도 어느 하나로부터 가격 산정을 위한 데이터를 수신할 수 있다. 페이먼트 시스템(365)은, 수신된 데이터에 기초하여, 사용자의 차량 이용 가격을 산정할 수 있다. 페이먼트 시스템(365)은, 산정된 가격으로 사용자(예를 들면, 사용자의 이동 단말기)에 요금 지불을 요청할 수 있다.
8) 사용자의 디스플레이 시스템 제어 시나리오
제8 시나리오(S118)는, 사용자의 디스플레이 시스템 제어 시나리오이다. 입력 장치(310)는, 적어도 어느 하나의 형태로 이루어진 사용자 입력을 수신하여, 전기적 신호로 전환할 수 있다. 디스플레이 시스템(350)은, 전기적 신호에 기초하여, 표시되는 컨텐츠를 제어할 수 있다.
9) AI 에이전트 시나리오
제9 시나리오(S119)는, 복수의 사용자를 위한 멀티 채널 인공지능(artificial intelligence, AI) 에이전트 시나리오이다. 인공 지능 에이전트(372)는, 복수의 사용자 별로 사용자 입력을 구분할 수 있다. 인공 지능 에이전트(372)는, 복수의 사용자 개별 사용자 입력이 전환된 전기적 신호에 기초하여, 디스플레이 시스템(350), 카고 시스템(355), 시트 시스템(360) 및 페이먼트 시스템(365) 중 적어도 어느 하나를 제어할 수 있다.
10) 복수 사용자를 위한 멀티미디어 컨텐츠 제공 시나리오
제10 시나리오(S120)는, 복수의 사용자를 대상으로 하는 멀티미디어 컨텐츠 제공 시나리오이다. 디스플레이 시스템(350)은, 모든 사용자가 함께 시청할 수 있는 컨텐츠를 제공할 수 있다. 이경우, 디스플레이 시스템(350)은, 시트별로 구비된 스피커를 통해, 동일한 사운드를 복수의 사용자 개별적으로 제공할 수 있다. 디스플레이 시스템(350)은, 복수의 사용자가 개별적으로 시청할 수 있는 컨텐츠를 제공할 수 있다. 이경우, 디스플레이 시스템(350)는, 시트별로 구비된 스피커를 통해, 개별적 사운드를 제공할 수 있다.
11) 사용자 안전 확보 시나리오
제11 시나리오(S121)는, 사용자 안전 확보 시나리오이다. 사용자에게 위협이되는 차량 주변 오브젝트 정보를 획득하는 경우, 메인 컨트롤러(370)는, 디스플레이 시스템(350)을 통해, 차량 주변 오브젝트에 대한 알람이 출력되도록 제어할 수 있다.
12) 소지품 분실 예방 시나리오
제12 시나리오(S122)는, 사용자의 소지품 분실 예방 시나리오이다. 메인 컨트롤러(370)는, 입력 장치(310)를 통해, 사용자의 소지품에 대한 데이터를 획득할 수 있다. 메인 컨트롤러(370)는, 입력 장치(310)를 통해, 사용자의 움직임 데이터를 획득할 수 있다. 메인 컨트롤러(370)는, 소지품에 대한 데이터 및 움직임 데이터에 기초하여, 사용자가 소지품을 두고 하차 하는지 여부를 판단할 수 있다. 메인 컨트롤러(370)는, 디스플레이 시스템(350)을 통해, 소지품에 관한 알람이 출력되도록 제어할 수 있다.
13) 하차 리포트 시나리오
제13 시나리오(S123)는, 하차 리포트 시나리오이다. 메인 컨트롤러(370)는, 입력 장치(310)를 통해, 사용자의 하차 데이터를 수신할 수 있다. 사용자 하차 이후, 메인 컨트롤러(370)는, 통신 장치(330)를 통해, 사용자의 이동 단말기에 하차에 따른 리포트 데이터를 제공할 수 있다. 리포트 데이터는, 차량(10) 전체 이용 요금 데이터를 포함할 수 있다.
<실시 예: 1>
사용자는 차량 운행 중 속도를 낮추거나, 차량을 정지하기 위하여, 차량(10)의 브레이크 입력 장치(예: 브레이크 페달)를 동작시킬 수 있다. 차량(10)의 구동 제어 장치(250)는 입력에 따라 브레이크 장치를 제어할 수 있다. 여기서, 차량의 브레이크 장치(brake system)는 달리는 차량을 정지시키거나 멈춰 있는 차량을 계속 정지 상태를 유지하도록 해주는 장치를 말한다. 차량의 브레이크 장치에는 유압식 브레이크, 배력식 브레이크, 공기 브레이크 등이 있다.
일반적으로, 차량의 브레이크 장치가 구동되면 마찰력을 이용하여 차량의 속도가 줄어들거나 정지하기 때문에, 마찰로 인한 브레이크 패드, 타이어 등과 같은 차량 제동과 관련된 부품의 마모가 발생하게 된다. 따라서, 브레이크 패드, 타이어 등의 차량 제동과 관련된 부품은 어느 정도 사용하게 되면 안전성 확보를 위해 교체가 필요하다. 현재는 사용자가 운행 거리, 경험 등에 비추어 차량 제동과 관련된 부품의 교체 시기를 결정하고 있다. 그러나, 이는 사용자의 경험적 판단에 의존하는 방식으로 정확한 판단 기준이라고 할 수 없으며, 교체 시기를 놓치는 경우, 매우 위험한 사고가 발생할 수도 있다. 따라서, 차량의 브레이크 장치를 모니터링 하고, 차량 제동과 관련된 부품의 교체 시기, 조정(calibration) 시기 등에 대한 정보를 사용자에게 제공하는 것은 차량 운행의 안전성 확보와 직결되므로 매우 중요할 수 있다.
본 명세서에서는 자율 주행 시스템에서, AI 프로세서를 이용한 신경망 학습에 기반하여 차량의 브레이크 장치를 모니터링 하고, 모니터링 결과에 기반하여 차량의 브레이크 패드, 타이어 등과 같은 차량 제동과 관련된 부품의 교체 시기, 조정(calibration) 필요 여부 등을 판단하고, 사용자에게 피드백 할 수 있는 방법 및 장치를 제안한다.
도 12는 본 명세서에서 제안하는 방법 및 실시예에 따라 동작하는 차량의 동작 순서도의 일례를 나타낸다. 도 12는 발명의 설명을 위한 것일 뿐, 본 발명의 기술적 사상을 제한하는 것은 아니다.
도 12를 참고하면, 차량의 브레이크 장치를 모니터링 하기 위해, 차량의 브레이크 장치의 정상 동작 여부를 판단할 수 있는 기준을 정할 필요가 있다. 사용자가 브레이크 페달을 밟았을 때, 차량의 속도, 노면 상태, 브레이크 페달에 얼마나 강한 힘이 가해지는지 등에 따라 제동 거리가 달라질 수 있다. 여기서, 제동 거리는 브레이크 장치가 작동한 순간부터 차량이 완전히 정지할 때까지 이동한 거리를 말한다. 차량의 속도, 브레이크 장치의 강도(예: 브레이크 페달을 밟는 세기, 압력 등), 제동 거리 등을 기반으로 브레이크 장치의 정상 동작 여부를 판단하는 기준이 설정될 수 있다(S1210). 브레이크 장치의 정상 동작 여부를 판단하는 기준은 브레이크 패드, 타이어 등의 차량 제동과 관련된 부품이 정상적으로 동작할 수 있는 범위로 해석될 수 있다.
도 13은 본 명세서에서 제안하는 방법 및 실시예가 적용될 수 있는 브레이크 장치의 정상 동작 여부를 판단하는 기준을 설정하는 일례를 나타낸다. 도 13은 발명의 설명을 위한 것일 뿐, 본 발명의 기술적 사상을 제한하는 것은 아니다.
일례로, 도 13을 참고하면, 차량의 제조사는 차량 출고 전 반복적인 테스트를 수행하여 차량 속도에 따른 제동거리와 브레이크 장치의 강도의 관계를 생성할 수 있고, 이를 기초로 브레이크 장치의 정상 동작 여부를 판단하는 기준이 설정될 수 있다. 이하에서, 각 차량 별 속도에 따른 제동거리와 브레이크 장치의 강도의 관계를 '안전 제동 능력 모델'이라고 칭한다. 다만, 이는 설명의 편의를 위한 것일 뿐, 본 발명의 기술적 사상을 제한하지는 않는다. 안전 제동 능력 모델을 기준으로 브레이크 장치의 정상 동작 여부를 판단할 수 있다. 안전 제동 능력 모델은 차량 제동과 관련된 부품을 모니터링 하기 위해 사용될 수 있다. 안전 제동 능력 모델은 차량의 구동 제어 장치(250)와 연결된 자율 주행 장치(260)의 메모리에 저장될 수 있다.
브레이크 장치의 정상 동작 여부를 판단하는 기준(예: 안전 제동 능력 모델)은 단계적으로 설정될 수도 있다. 예를 들어, 1단계는 차량 제동과 관련된 부품의 교체, 조정 등이 필요하지 않고, 브레이크 장치가 정상적으로 동작할 수 범위로 설정될 수 있다. 2단계는 차량 제동과 관련된 부품의 교체, 조정 등이 필요하지만, 차량 운행의 안전성은 확보할 수 있는 범위에서 브레이크 장치가 동작하는 범위로 설정될 수 있다. 3단계는 차량 제동과 관련된 부품의 교체, 조정 등이 필요하고, 브레이크 장치가 정상적으로 동작하지 않는 범위로 설정될 수 있다. 3단계는 브레이크 장치가 정상적을 동작하기 어려운 긴급 상황이 발생하는 경우에 해당할 수 있다. 상술한 3단계 설정은 설명의 편의를 위한 것일 뿐 본 발명의 기술적 사상을 제한하는 것은 아니다. 따라서, 브레이크 장치의 정상 동작 여부를 판단하는 기준이 더욱 세분화된 단계로 설정될 수도 있고, 단계적 구분 없이 설정될 수도 있다.
차량의 AI 프로세서(170-1)는 신경망 학습에 기반하여 차량 브레이크 장치를 모니터링 할 수 있다. 상술한 바와 같이, 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 여기서, 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 포함할 수 있다.
차량의 AI 프로세서는 차량 운행 시 제동 거리에 영향을 미치는 요소들과 관련된 정보를 기초로 신경망 학습을 수행할 수 있다. 제동 거리에 영향을 미치는 요소들과 관련된 정보는 브레이크 장치의 정상 동작 여부와 관련될 수 있다. 따라서, 신경망 학습을 수행하기 위하여, AI 프로세서는 자율 주행 장치에 연결된 장치들로부터 브레이크 장치의 작동에 영향을 줄 수 있는 차량의 제동과 관련된 정보를 수신할 수 있다(S1220). 차량의 제동과 관련된 정보는 탑승자의 무게, 탑승자의 위치 정보, 차량 무게, 타이어 공기압, 주행속도, 온도, 노면 상태 중 적어도 하나의 정보를 포함할 수 있으며, 각 요소들은 차량 운행 시 제동거리에 영향을 미칠 수 있으므로, AI 프로세서로 전달될 수 있다.
구체적인 예로, 차량(10)의 오브젝트 검출 장치(210)을 이용하여, 도로 등의 노면 상태에 대한 정보를 생성할 수 있다. 카메라를 이용해 노면의 균일도(울퉁불퉁한 정도, 장애물 위치, 오브젝트와의 거리 정보 등을 획득할 수 있다. 또는, 레이다를 이용해, 노면에 전파를 발사하고 반송파에 대한 TOF 또는 페이즈 쉬프트 등을 기초로 노면 상태 정보를 획득할 수 있다. 또는, 라이다를 이용해, 노면에 레이저 광을 발사하고 반사되는 광에 기초하여 노면 상태 정보를 획득할 수 있다.
차량(10)의 센싱부(270)는, 적어도 하나의 센서에서 생성되는 신호에 기초하여, 차량의 상태 데이터를 생성할 수 있다. 일례로, 차량 속도 데이터, 차량 가속도 데이터, 타이어 공기압 데이터, 차량의 중량 데이터, 브레이크 페달에 가해지는 압력 데이터, 온도 데이터 등의 정보가 생성될 수 있다.
노면 상태 정보, 차량의 상태 데이터 등, 생성된 데이터는 자율주행장치(260)의 인터페이스부(180)을 통해 AI 프로세서로 전달될 수 있다. AI 프로세서는 자율주행장치의 프로세서(170)의 일부로 포함될 수도 있고, 프로세서와 독립적으로 자율주행 장치 내에 포함될 수도 있다. 프로세서와 독립적으로 자율주행 장치 내에 포함되는 경우, 메모리 및/또는 인터페이스 부가 별개로 존재할 수 도 있다.
도 14는 본 명세서에서 제안하는 방법 및 실시예가 적용될 수 있는 차량의 AI 프로세서를 이용하여 신경망 학습을 통한 브레이크 장치 모니터링을 수행하는 일례를 나타낸다. 도 14는 발명의 설명을 위한 것일 뿐, 본 발명의 기술적 사상을 제한하는 것은 아니다.
도 14를 참고하면, AI 프로세서(170-1)는 메모리에 저장된 안전 제동 능력 모델과 차량의 장치들로부터 수신한 차량 제동과 관련된 정보를 이용하여 신경망 학습을 수행할 수 있다(S1230).
신경망 학습의 결과와 브레이크 장치의 정상 동작 여부를 판단하는 기준(예: 안전 제동 능력 모델)에 기반하여, 차량 브레이크 장치 동작에 대해 판단할 수 있다(S1240). 구체적으로, 차량 브레이크 장치가 안전 제동 능력 모델 범위 내에서 정상적으로 동작하는지 여부를 판단할 수 있다. 또한, 차량 제동과 관련된 부품에 대한 안전성을 판단할 수 있다. 차량의 브레이크 장치 동작이 설정된 안전 제동 능력 모델의 범위보다 동일한 브레이크 장치의 강도에서 제동 거리가 더 길거나, 동일한 제동 거리를 위해 브레이크 장치의 강도를 더 세게 해야 하는 경우, 차량 제동과 관련된 부품에 대한 교체가 필요하다고 판단할 수 있다. 또는, 설정된 안전 제동 능력 모델의 범위 대비 약한 브레이크 장치의 강도에도 제동거리가 짧은 경우는 브레이크 장치에 대한 조정(calibration)이 필요하다고 판단할 수 있다.
AI 프로세서는 판단된 결과를 사용자에게 피드백 할 수 있다(S1250).
AI 프로세서는 차량 제동과 관련된 부품의 교체 또는 조정이 필요하다고 판단한 경우, 차량의 사용자 인터페이스 장치를 통해 차량 제동과 관련된 부품의 교체 또는 조정을 요청하는 메시지를 포함하는 정보를 사용자에게 전달할 수 있다. 일례로, 차량의 디스플레이 장치(예: HUD, 대쉬보드 상 디스플레이 등) 에 차량 제동과 관련된 부품의 교체 알림을 표시할 수도 있다. 또는, 차량의 오디오 장치를 이용하여 차량 제동과 관련된 부품의 교체 알림 메시지를 표시할 수도 있다.
또 다른 예로, 차량의 디스플레이 장치, 오디오 장치 등을 이용하여 차량 제동과 관련된 부품에 대한 피드백을 사용자에게 제공하는 것 외에, 차량의 제동(brake)과 관련된 부품의 교체 또는 조정(calibration)을 위한 차량 정비소에 대한 정보를 사용자에게 추가로 알려줄 수 있다. 차량 정비소에 대한 정보에는 정비소의 위치, 경로 정보 등이 포함될 수 있다. 현재 차량 위치에서 가장 가까운 또는 사용자가 선호하는 차량 정비소 등의 위치를 안내할 수 있다. 또는, 현재 차량 위치에서 가장 가까운 또는 사용자가 선호하는 차량 정비소를 경유하는 경로를 설정할 수도 있다.
또 다른 예로, 자율 주행 차량(Autonomous Vehicle)은 교체 또는 조정이 필요한 차량 제동과 관련된 부품에 대한 정보를 무선 통신 네트워크(예: 5G 네트워크)로 전송할 수 있다. 여기서, 상기 무선 통신 네트워크는 자율 주행 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다. 그리고, 상기 무선 통신 네트워크는 교체 또는 조정이 필요한 차량 제동과 관련된 부품에 대한 정보를 사용자가 선호하는 정비소 또는 가까운 정비소 등에 전송할 수 있고, 교체 또는 조정 등의 차량 점검 서비스를 예약할 수도 있다. 또한, 무선 통신 네트워크는 정비소로부터 차량 점검 서비스 예약 결과를 수신하여 자율 주행 차량으로 전송할 수 있다.
또 다른 예로, 브레이크 장치의 정상 동작 여부를 판단하는 기준(예: 안전 제동 능력 모델)이 단계적으로 설정된 경우, 차량 운행 중 돌발 상황이 발생하는 등의 브레이크 장치 동작이 비정상적 동작 범위에 해당함을 판단할 수 있다. 일례로, 상술한 안전 제동 능력 모델의 3단계에 해당하는 경우가 발생한 것을 차량 프로세서는 인식할 수 있다. 이 경우, 차량 사고 방지를 위하여 차량은 비상 메시지를 주변 차량들에게 차량 네트워크를 이용하여 전송할 수도 있다. 이때, 차량 네트워크는 무선 통신 네트워크를 이용할 수 있다. 또는 주변 차량과의 사이드 링크를 이용할 수도 있다. 이를 통해, 브레이크 장치의 비정상적 동작으로 인한 사고 발생 확률을 낮출 수 있는 효과가 있다.
상술한 실시예에 따라 차량의 브레이크 장치를 모니터링 하고 사용자에게 피드백하는 구체적인 예시를 기술한다. 비가 오는 날, 차량의 앞 좌석에 2명이 탄 상황에서 운전자가 브레이크 페달을 밟는 경우를 가정할 수 있다.
차량의 레이다와 카메라를 이용하여 비가 내리는 환경과 노면 상태를 파악할 수 있다. 센싱부는 총 차량 무게(공차 중량과 사용자 2명의 무게 합(예: 170Kg)), 타이어 공기압 (PSI37), 주행속도 70km/h, 레인센서 (낮음(Low)) 등의 정보를 획득할 수 있다. 캐빈 내 설치된 카메라를 이용하여 운전석과 조수석에서의 사용자 위치 정보를 획득할 수 있다. 상기 정보들(예: 노면 상태, 총 차량 무게, 사용자의 위치 정보, 타이어 공기압, 주행속도, 레인센서 등)은 인터페이스부를 통해 AI 프로세서로 전달할 수 있다.
AI 프로세서는 입력된 정보들에 기반하여 신경망 학습을 수행할 수 있다. 심층 신경망을 이용하여 은닉층(hidden layer)별로 각 요소들의 가중치(weight)를 조절하면서 학습을 수행할 수 있다. 신경망 학습을 통해 얻어진 제동거리와 브레이크 장치의 강도 간의 관계성에 따라, 차량 브레이크 장치가 설정된 안전 제동 능력 모델의 범위에서 동작하는지 여부를 판단할 수 있다.
만일, 차량 브레이크 장치가 정상 동작 범위 내에서 동작하지 않는 경우, 관련된 정보를 사용자에게 피드백 할 필요가 있다. 구체적으로, 설정된 안전 제동 능력 모델의 범위보다 동일한 브레이크 장치의 강도에서 제동 거리가 더 길거나, 동일한 제동 거리를 위해 브레이크 장치의 강도를 더 세게 해야 하는 경우, 차량 제동과 관련된 부품에 대한 교체가 필요하다고 판단할 수 있다. 또는, 설정된 안전 제동 능력 모델의 범위 대비 약한 브레이크 장치의 강도에도 제동거리가 짧은 경우는 브레이크 장치에 대한 조정(calibration)이 필요하다고 판단할 수 있다.
차량 제동과 관련된 부품의 교체 알림, 조정 알림 등의 피드백 정보는 차량의 디스플레이 장치(예: HUD, 대쉬보드 상 디스플레이 등) 에 표시될 수 있다. 또는, 차량의 오디오 장치를 이용하여 차량 제동과 관련된 부품의 교체 알림, 조정 알림 등의 피드백 정보를 표시할 수도 있다.
차량 제동과 관련된 부품에 대한 피드백과 함께 또는 독립적으로 사용자에게 현재 차량 위치에서 가장 가까운 차량 정비소 등의 위치를 안내할 수 있다. 정비소를 경유지로 설정할지 여부를 사용자가 선택하도록 메시지를 표시할 수도 있다.
차량 네트워크를 이용하여, 교체 또는 조정이 필요한 차량 제동과 관련된 부품에 대한 정보를 사용자가 선호하는 정비소 또는 가까운 정비소 등에 전송할 수 있고, 교체 또는 조정 등의 차량 점검 서비스를 예약할 수도 있다. 이 때, 차량 네트워크는 무선 통신 네트워크를 이용할 수 있다. 또한, 차량 네트워크를 이용하여 정비소로부터 차량 점검 서비스 예약 결과를 수신할 수 있다.
< 실시 예: 2 >
도 15는 본 발명의 일 실시 예에 따른 AI 장치(1500)를 나타낸다.
AI 장치(1500)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 15를 참조하면, AI 장치(1500)는 통신부(1510), 입력부(1520), 러닝 프로세서(1530), 센싱부(1540), 출력부(1550), 메모리(1570) 및 프로세서(1580) 등을 포함할 수 있다.
통신부(1510)는 유무선 통신 기술을 이용하여 다른 AI 장치(1700a 내지 1700e)나 AI 서버(1600) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(1510)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(1510)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth?), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(1520)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(1520)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(1520)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(1520)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(1580) 또는 러닝 프로세서(1530)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(1530)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(1530)는 AI 서버(1600)의 러닝 프로세서(1640)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(1530)는 AI 장치(1500)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(1530)는 메모리(1570), AI 장치(1500)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(1540)는 다양한 센서들을 이용하여 AI 장치(1500) 내부 정보, AI 장치(1500)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(1540)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(1550)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(1550)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(1570)는 AI 장치(1500)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(1570)는 입력부(1520)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(1580)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(1500)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(1580)는 AI 장치(1500)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(1580)는 러닝 프로세서(1530) 또는 메모리(1570)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(1500)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(1580)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(1580)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(1580)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(1530)에 의해 학습된 것이나, AI 서버(1600)의 러닝 프로세서(1640)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(1580)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(1570) 또는 러닝 프로세서(1530)에 저장하거나, AI 서버(1600) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(1580)는 메모리(1570)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(1500)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(1580)는 상기 응용 프로그램의 구동을 위하여, AI 장치(1500)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
AI 장치가 이동 가능한 기기로 구현되는 경우, AI 장치는 속도를 조절하거나 정지하기 위하여 브레이크 장치(brake system)를 포함할 수 있다. 여기서, 브레이크 장치는 이동하는 장치를 정지시키거나 멈춰 있는 장치를 계속 정지 상태를 유지하도록 해주는 장치를 말한다. AI 장치의 브레이크 장치는 마찰력을 이용하여 동작하므로, 마찰로 인한 AI 장치의 제동(brake)과 관련된 부품의 마모가 발생하게 된다. 따라서, AI 장치의 브레이크 장치를 모니터링 하고, 결과를 피드백 하는 방법이 고려될 수 있다.
AI 장치의 브레이크 장치를 모니터링 하기 위해, 브레이크 장치의 정상 동작 여부를 판단하는 기준과 관련된 정보는 AI 장치(1500)의 메모리(1570)에 저장될 수 있다. 또는, AI 서버의 메모리(1630)에 저장될 수도 있다. AI 장치의 브레이크 장치의 정상 동작 여부를 판단하는 기준과 관련된 정보는 AI 장치의 속도, 브레이크 장치의 강도, 제동 거리 등을 기반으로 설정될 수 있다. 일례로, AI 장치의 제조사는 반복적인 테스트를 수행하여 AI 장치의 속도에 따른 제동거리와 브레이크 장치의 강도의 관계를 안전 제동 능력 모델로 생성할 수 있다. 안전 제동 능력 모델은 AI 장치의 브레이크 장치의 정상 동작 여부를 판단하는 기준과 관련된 정보로써 이용될 수 있다. 안전 제동 능력 모델은 AI 장치의 제동과 관련된 부품을 모니터링 하기 위해 사용될 수 있다.
안전 제동 능력 모델은 단계적으로 설정될 수도 있다. 예를 들어, 1단계는 부품의 교체, 정비 등이 필요 없는 브레이크 장치가 정상 동작할 수 있는 범위로 설정될 수 있다. 2단계는 부품의 교체, 정비 등이 필요하지만 안전성은 확보할 수 있는 동작 범위로 설정될 수 있다. 3단계는 브레이크 장치가 비정상적으로 동작하는 범위로 설정될 수 있다. 3단계는 브레이크 장치가 정상적을 동작하기 어려운 긴급 상황일 수 있다. 상술한 3단계 설정은 설명의 편의를 위한 것일 뿐 본 발명의 기술적 사상을 제한하는 것은 아니다. 따라서, 더욱 세분화된 단계로 설정될 수도 있고, 단계적 구분 없이 정상 동작 범위 자체로 설정될 수도 있다.
AI 장치는 입력부(1520)를 통해 신경망 학습에 필요한 정보들을 입력 받을 수 있다. 신경망 학습에 필요한 정보는 AI 장치의 제동 거리에 영향을 미치는 요소들과 관련된 정보일 수 있다. 또한, AI 장치의 제동 동작과 관련된 정보일 수 있다. 일례로, AI 장치와 사용자의 무게, 사용자의 위치 정보, AI 장치의 하중, 타이어 공기압, AI 장치의 속도, 온도, 노면 상태 등과 관련된 정보를 입력 받을 수 있다. 또는, 센싱부(1540)의 적어도 하나의 센서에서 생성되는 신호에 기초하여, AI 장치의 속도 데이터, AI 장치의 가속도 데이터, 타이어 공기압 데이터, AI 장치의 중량 데이터, 브레이크 장치에 가해지는 압력 데이터, 온도 데이터 등의 정보를 획득할 수 있다.
러닝 프로세서(1530)는 안전 제동 능력 모델과 입력부 및/또는 센싱부를 통해 획득한 정보를 기반으로 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
추론된 값을 기초로, 프로세서(1580)은 AI 장치의 브레이크 장치가 정상 동작 범위에서 동작하는지 여부를 판단할 수 있다. 또한, AI 장치의 제동과 관련된 부품에 대한 안전성을 판단할 수 있다. AI 장치의 브레이크 장치 동작이 초기 차량에 설정된 안전 제동 능력 모델의 범위를 만족하지 못하는 경우, AI 장치의 제동과 관련된 부품에 대한 교체가 필요하다고 판단할 수 있다. 또는, 기준 모델 대비 약한 브레이크 장치의 강도에도 제동거리가 짧은 경우는 브레이크 장치에 대한 조정(calibration)이 필요하다고 판단할 수 있다.
프로세서(1580)은 판단 결과를 사용자에게 피드백 할 수 있다. 프로세서(1580)가 차량 제동과 관련된 부품의 교체 또는 조정이 필요하다고 판단한 경우, 출력부(1550)를 통해 AI 장치의 제동과 관련된 부품의 교체 알림 또는 조정 시기 알림 등의 정보를 사용자에게 전달할 수 있다. 구체적으로, 출력부(1550)에 포함된 디스플레이, 스피커 등을 통해 차량 제동과 관련된 부품의 교체 알림 또는 조정 시기 알림을 표시할 수 있다.
통신부(1510)를 통해, 교체 또는 조정이 필요한 AI 장치의 제동과 관련된 부품에 대한 정보를 사용자가 선호하는 정비소 또는 가까운 정비소 등에 전송할 수 있고, 교체 또는 조정 등의 점검 서비스를 예약할 수도 있다. 또한, 통신부(1510)은 정비소로부터 점검 서비스 예약 결과를 수신할 수 있다. 이 때, 통신부(1510)는 무선 통신 네트워크를 이용할 수 있다.
브레이크 장치의 정상 동작 여부를 판단하는 기준(예: 안전 제동 능력 모델)이 단계적으로 설정된 경우, AI 장치의 운행 중 돌발 상황이 발생하는 등의 브레이크 장치 동작이 비정상적 동작 범위에 해당함을 판단할 수 있다. 일례로, 상술한 안전 제동 능력 모델의 3단계에 해당하는 경우가 발생한 것을 프로세서는 인식할 수 있다. 이 경우, 사고 방지를 위하여 AI 장치는 비상 메시지를 주변 AI 장치들에게 무선 통신 네트워크를 이용하여 전송할 수도 있다. 또는 AI 장치 간 사이드 링크를 이용할 수도 있다. 또는, AI 서버를 통해 주변 AI 장치들로 해당 메시지를 전송할 수 있다.
도 16은 본 발명의 일 실시 예에 따른 AI 서버(1600)를 나타낸다.
도 16을 참조하면, AI 서버(1600)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(1600)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(1600)는 AI 장치(1500)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(1600)는 통신부(1610), 메모리(1630), 러닝 프로세서(1640) 및 프로세서(1660) 등을 포함할 수 있다.
통신부(1610)는 AI 장치(1500) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(1630)는 모델 저장부(1631)를 포함할 수 있다. 모델 저장부(1631)는 러닝 프로세서(1640)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 1631a)을 저장할 수 있다.
러닝 프로세서(1640)는 학습 데이터를 이용하여 인공 신경망(1631a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(1600)에 탑재된 상태에서 이용되거나, AI 장치(1500) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(1630)에 저장될 수 있다.
프로세서(1660)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
일례로, 통신부(1610)은 AI 장치(1500) 등의 외부 장치로부터 신경망 학습에 필요한 정보들을 송수신할 수 있다. AI 장치와 사용자의 무게, 사용자의 위치 정보, AI 장치의 하중, 타이어 공기압, AI 장치의 속도, 온도, 노면 상태 등과 관련된 정보를 AI 장치(1500) 등의 외부 장치로부터 입력 받을 수 있다. 러닝 프로세서(1640)는 학습 데이터를 이용하여 인공 신경망(1631a)을 학습시킬 수 있다. 안전 제동 능력 모델과 통신부를 통해 수신한 정보를 기반으로 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 신경망 학습을 통해 추론된 값에 기초하여 프로세서(1660)는 AI 장치의 브레이크 장치가 정상 동작 범위에서 동작하는지 여부를 판단할 수 있다. 판단 결과에 기초한 응답이나 제어 명령을 생성하여 AI 장치로 전달할 수 있다. 또는, 신경망 학습을 통해 추론된 값이 통신부(1610)을 통해 AI 장치(1500)로 전달될 수 있다.
도 17은 본 발명의 일 실시 예에 따른 AI 시스템(1700)을 나타낸다.
도 17을 참조하면, AI 시스템(1700)은 AI 서버(1600), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(1710)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(1710)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(1710)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1700)을 구성하는 각 장치들(100a 내지 100e, 1600)은 클라우드 네트워크(1710)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 1600)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(1600)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(1600)는 AI 시스템(1700)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(1710)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(1600)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(1600)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(1500)의 구체적인 실시 예로 볼 수 있다.
본 발명이 적용될 수 있는 AI 및 로봇
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(1600) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1600) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
본 발명이 적용될 수 있는 AI 및 자율주행
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(1600) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1600) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
본 발명이 적용될 수 있는 AI 및 XR
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(1600) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1600) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
본 발명이 적용될 수 있는 AI, 로봇 및 자율주행
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부 또는 외부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
본 발명이 적용될 수 있는 AI, 로봇 및 XR
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
본 발명이 적용될 수 있는 AI, 자율주행 및 XR
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
상술한 실시예 및 방법을 통하여 차량, AI 장치 등의 브레이크 장치를 모니터링 하고, 제동과 관련된 부품들에 대한 정보를 사용자에게 피드백 하여 안전성을 확보할 수 있다.
전술한 구현 예들은 본 발명의 구조적 요소들 및 특징들을 다양한 방식으로 조합해서 만들어질 수 있다. 별도로 명시하지 않는 한, 각 구조 요소 또는 기능들은 선택적으로 고려될 수 있다. 구조적 요소들 또는 특징들 각각은 다른 구조적 요소들 또는 특징들과 결합되지 않고 수행될 수 있다. 또한, 일부 구조적 요소들 및/또는 특징들은 본 발명의 구현들을 구성하기 위해 서로 결합될 수 있다. 본 발명의 구현에서 기술된 동작 순서는 변경될 수 있다. 한 구현의 일부 구조적 요소 또는 특징은 다른 구현에 포함될 수 있거나, 다른 구현에 상응하는 구조적 요소 또는 특징으로 대체될 수 있다.
본 발명에서의 구현들은 다양한 기술들, 예를 들자면 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합들에 의해 이루어질 수 있다. 하드웨어 구성에서, 본 발명의 구현에 따른 방법은, 하나 이상의 ASIC(Application Specific Integrated Circuits), 하나 이상의 DSP(Digital Signal Processors), 하나 이상의 DSPD(Digital Signal Processing Devices), 하나 이상의 PLD(Programmable Logic Devices), 하나 이상의 FPGA(Field Programmable Gate Arrays), 하나 이상의 프로세서, 하나 이상의 컨트롤러, 하나 이상의 마이크로 컨트롤러, 하나 이상의 마이크로 프로세서 등에 의해 이루어질 수 있다.
펌웨어나 소프트웨어의 구성에서, 본 발명의 구현들은 모듈, 절차, 기능 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리에 저장될 수 있고, 프로세서에 의해 실행될 수 있다. 메모리는 프로세서의 내부 또는 외부에 위치할 수 있고, 다양한 방법으로 프로세서로부터 데이터를 송수신할 수 있다.
통상의 기술자가 본 발명의 사상이나 범위를 벗어나지 않으면서 본 발명에서 만들어질 수 있는 다양한 변경 및 변형을 수행할 수 있음은 자명하다. 본 발명은 3GPP LTE/LTE-A 시스템 또는 5G 시스템(또는, NR 시스템)에 적용된 예를 참조하여 설명하였지만, 다른 다양한 무선 통신 시스템에도 적용 가능하다.
본 발명의 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링하고 피드백을 수행하는 방안은 제동과 관련된 부품의 교체, 조정을 요청하는 메시지를 피드백 하는 예를 중심으로 설명하였으나, 이외에도 다양한 이동성을 가지는 장치 및 자율 주행 시스템에 적용하는 것이 가능하다.
Claims (15)
- 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법에 있어서,
상기 브레이크 장치의 정상 동작 여부를 판단하는 기준 정보를 설정하는 단계;
상기 차량의 제동(brake)과 관련된 정보를 수신하는 단계;
상기 제동과 관련된 정보에 기반하여 신경망 학습을 수행하는 단계;
상기 신경망 학습의 결과와 상기 기준 정보에 기반하여 상기 브레이크 장치의 정상 동작 여부를 판단하는 단계; 및
상기 판단에 기초하여 사용자에게 피드백 하는 단계를 포함하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 기준 정보는 상기 차량의 속도, 제동 거리 및 상기 브레이크 장치의 강도의 관계에 기초하여 설정되는 것을 특징으로 하는 방법. - 제 2항에 있어서,
상기 기준 정보는 상기 차량의 제조사에 의해 미리 설정되는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 제동과 관련된 정보는 차량의 무게, 탑승자의 무게, 탑승자의 위치 정보, 타이어 공기압, 주행 속도, 온도, 노면 상태 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 방법. - 제 4항에 있어서,
상기 노면 상태에 대한 정보는 상기 차량의 라이다를 이용해 생성되는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 신경망 학습은 심층 신경망(deep neural network, DNN) 방식에 해당하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 피드백은 상기 차량의 제동(brake)과 관련된 부품의 교체 또는 조정(calibration)을 요청하는 메시지를 포함하는 것을 특징으로 하는 방법. - 제 7항에 있어서,
상기 피드백은 상기 차량의 디스플레이 장치 또는 오디오 장치 중 어느 하나를 통해 상기 사용자에게 전달되는 것을 특징으로 하는 방법. - 제 7항에 있어서,
상기 피드백은 상기 차량의 제동(brake)과 관련된 부품의 교체 또는 조정(calibration)을 위한 정비소의 위치와 경로 정보를 더 포함하는 것을 특징으로 하는 방법. - 제 7항에 있어서,
무선 통신 네트워크를 통해 교체 또는 조정(calibration)이 필요한 상기 차량의 제동(brake)과 관련된 부품에 대한 정보를 정비소로 전송하는 단계를 더 포함하는 것을 특징으로 하는 방법. - 자율 주행 시스템에서 차량의 브레이크 장치(brake system)를 모니터링 하는 장치에 있어서, 상기 장치는,
상기 차량 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 신호를 교환하기 위한 인터페이스부,
데이터를 저장하기 위한 메모리,
상기 메모리와 기능적으로 연결된 프로세서를 포함하되,
상기 프로세서는,
상기 브레이크 장치의 정상 동작 여부를 판단하는 기준 정보를 설정하고,
상기 적어도 하나의 전자 장치로부터 상기 인터페이스부를 통해 상기 차량의 제동(brake)과 관련된 정보를 수신하며,
상기 제동과 관련된 정보에 기반하여 신경망 학습을 수행하고,
상기 신경망 학습의 결과와 상기 기준 정보에 기반하여 상기 브레이크 장치의 정상 동작 여부를 판단하며,
상기 판단에 기초하여 사용자에게 피드백 하도록 제어하는 장치. - 제 11항에 있어서,
상기 기준 정보는 상기 차량의 속도, 제동 거리 및 상기 브레이크 장치의 강도의 관계에 기초하여 설정되는 것을 특징으로 하는 장치. - 제 11항에 있어서,
상기 제동과 관련된 정보는 차량의 무게, 탑승자의 무게, 탑승자의 위치 정보, 타이어 공기압, 주행 속도, 온도, 노면 상태 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 장치. - 제 11항에 있어서,
상기 피드백은 상기 차량의 제동(brake)과 관련된 부품의 교체 또는 조정(calibration)을 요청하는 메시지를 포함하는 것을 특징으로 하는 장치. - 제 11항에 있어서,
상기 장치는 이동 단말기, 네트워크 및 상기 장치 이외의 자율 주행 차량 중 적어도 하나와 통신하는 것을 특징으로 하는 장치.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2019/008361 WO2021006374A1 (ko) | 2019-07-08 | 2019-07-08 | 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치 |
| KRPCT/KR2019/008361 | 2019-07-08 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190105213A true KR20190105213A (ko) | 2019-09-16 |
Family
ID=68067247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190103233A KR20190105213A (ko) | 2019-07-08 | 2019-08-22 | 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210331655A1 (ko) |
| KR (1) | KR20190105213A (ko) |
| WO (1) | WO2021006374A1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110843755A (zh) * | 2019-11-19 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种估测电动汽车制动压力的方法和设备 |
| KR20210042203A (ko) * | 2019-10-08 | 2021-04-19 | 재단법인대구경북과학기술원 | 골프장 내 카트의 자율주행을 위한 카트길 인식 장치 및 방법 |
| KR102294558B1 (ko) * | 2020-02-18 | 2021-08-26 | 한국기술교육대학교 산학협력단 | 자율주행 차량을 양방향으로 제어하기 위한 차량용 부품 및 이의 제어방법 |
| KR20220085888A (ko) * | 2020-12-15 | 2022-06-23 | 현대모비스 주식회사 | 라이다 신호 처리 시스템 및 방법 |
| KR20230071356A (ko) * | 2021-11-16 | 2023-05-23 | 주식회사 베이리스 | 차량 제동 거리를 이용한 자율 주행 제어 시스템 및 그 제어 방법 |
| KR20230096227A (ko) * | 2021-12-23 | 2023-06-30 | (주) 엘렉스정보통신 | 전기자동차 부품 데이터 수집 관리 및 제공 시스템 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11455844B2 (en) * | 2019-11-26 | 2022-09-27 | Ford Global Technologies, Llc | Electrical distribution system monitoring for electric and autonomous vehicles |
| KR20210129296A (ko) * | 2020-04-17 | 2021-10-28 | 현대자동차주식회사 | 차량 및 차량의 제어방법 |
| CN117774952A (zh) * | 2020-11-19 | 2024-03-29 | 御眼视觉技术有限公司 | 交通工具操作安全模型符合性测量 |
| US20210109881A1 (en) * | 2020-12-21 | 2021-04-15 | Intel Corporation | Device for a vehicle |
| GB2613135A (en) * | 2021-07-27 | 2023-05-31 | Microlise Ltd | Brake performance monitoring system |
| CN113715794B (zh) * | 2021-10-26 | 2022-05-17 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的汽车智能刹车方法及系统 |
| CN115288821B (zh) * | 2022-07-25 | 2023-12-15 | 潍柴动力股份有限公司 | 一种气门间隙调节监控方法、装置、电子设备和存储介质 |
| EP4321398A1 (en) * | 2022-08-11 | 2024-02-14 | Volvo Truck Corporation | A method for updating a configuration in a braking arrangement |
| CN115431974B (zh) * | 2022-10-25 | 2023-02-28 | 广汽埃安新能源汽车股份有限公司 | 自动驾驶车辆的控制方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3636572B2 (ja) * | 1997-06-16 | 2005-04-06 | 財団法人鉄道総合技術研究所 | ブレーキ力制御装置、及びブレーキ力制御方法 |
| US6687577B2 (en) * | 2001-12-19 | 2004-02-03 | Ford Global Technologies, Llc | Simple classification scheme for vehicle/pole/pedestrian detection |
| JP2004237886A (ja) * | 2003-02-06 | 2004-08-26 | Nissan Motor Co Ltd | 制動制御装置 |
| US8287055B2 (en) * | 2010-09-28 | 2012-10-16 | Robert Bosch Gmbh | Brake control of a vehicle based on driver behavior |
| JP6148316B2 (ja) * | 2015-07-31 | 2017-06-14 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
| JP6796527B2 (ja) * | 2017-03-29 | 2020-12-09 | 株式会社日立製作所 | 車両状態監視装置、車両状態監視システム及び車両状態監視方法 |
| EP3456994B1 (en) * | 2017-09-19 | 2023-11-29 | Hitachi, Ltd. | Method and apparatus for determining brake wear at a vehicle |
| KR20190052417A (ko) * | 2017-11-08 | 2019-05-16 | 한국전자통신연구원 | 기계 학습 모델을 이용한 차량의 자동 제동 방법 및 이를 위한 장치 |
| US11164463B2 (en) * | 2017-12-29 | 2021-11-02 | Bendix Commercial Vehicle Systems Llc | Brake performance monitoring for vehicle platooning operation |
-
2019
- 2019-07-08 WO PCT/KR2019/008361 patent/WO2021006374A1/ko active Application Filing
- 2019-07-08 US US16/496,801 patent/US20210331655A1/en not_active Abandoned
- 2019-08-22 KR KR1020190103233A patent/KR20190105213A/ko active Search and Examination
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210042203A (ko) * | 2019-10-08 | 2021-04-19 | 재단법인대구경북과학기술원 | 골프장 내 카트의 자율주행을 위한 카트길 인식 장치 및 방법 |
| CN110843755A (zh) * | 2019-11-19 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种估测电动汽车制动压力的方法和设备 |
| KR102294558B1 (ko) * | 2020-02-18 | 2021-08-26 | 한국기술교육대학교 산학협력단 | 자율주행 차량을 양방향으로 제어하기 위한 차량용 부품 및 이의 제어방법 |
| KR20220085888A (ko) * | 2020-12-15 | 2022-06-23 | 현대모비스 주식회사 | 라이다 신호 처리 시스템 및 방법 |
| KR20230071356A (ko) * | 2021-11-16 | 2023-05-23 | 주식회사 베이리스 | 차량 제동 거리를 이용한 자율 주행 제어 시스템 및 그 제어 방법 |
| KR20230096227A (ko) * | 2021-12-23 | 2023-06-30 | (주) 엘렉스정보통신 | 전기자동차 부품 데이터 수집 관리 및 제공 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210331655A1 (en) | 2021-10-28 |
| WO2021006374A1 (ko) | 2021-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190105213A (ko) | 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치 | |
| US11340619B2 (en) | Control method of autonomous vehicle, and control device therefor | |
| KR102192142B1 (ko) | 자율 주행 차량 제어 방법 | |
| US20210331712A1 (en) | Method and apparatus for responding to hacking on autonomous vehicle | |
| KR102305850B1 (ko) | 차량 내에서 인공 지능 기반의 음성 분리 방법 및 장치 | |
| KR102220950B1 (ko) | 자율 주행 시스템에서 차량을 제어하기 위한 방법 및 장치 | |
| US20210403051A1 (en) | Method for controlling autonomous vehicle | |
| US11364932B2 (en) | Method for transmitting sensing information for remote driving in automated vehicle and highway system and apparatus therefor | |
| US20200357285A1 (en) | Apparatus and method for preventing incorrect boarding of autonomous driving vehicle | |
| KR20190107277A (ko) | 자율 주행 시스템에서 차량을 제어하는 방법 및 장치 | |
| KR20190104009A (ko) | 차량 제어 방법 및 차량을 제어하는 지능형 컴퓨팅 디바이스 | |
| KR20190096866A (ko) | 차량 내부의 모니터링 방법 및 장치, 이를 위한 객체검출모델을 생성하는 3d 모델링부 | |
| KR102213095B1 (ko) | 자율 주행 차량 제어 방법 | |
| KR102112684B1 (ko) | 자율주행시스템에서 원격운전을 위한 제어 정보를 전송하는 방법 및 이를 위한 장치 | |
| KR20190100897A (ko) | 자율주행시스템에서 차량의 제어 방법 및 그 장치 | |
| US20210331699A1 (en) | Method for managing resources of vehicle in automated vehicle & highway systems and apparaus therefor | |
| KR20190101331A (ko) | 차량 내 멀티 카메라를 이용한 생체 인증 방법 및 장치 | |
| KR20190104273A (ko) | 운전자 휴게 패턴에 따른 휴게 정보 제공 방법 및 이를 위한 장치 | |
| US20210094588A1 (en) | Method for providing contents of autonomous vehicle and apparatus for same | |
| KR20190101922A (ko) | 차량용 인포테인먼트의 제어방법 및 제어장치 | |
| KR20190100895A (ko) | 자율주행시스템에서 장난감 장치를 활용한 차량 제어 방법 및 이를 위한 장치 | |
| KR20210060205A (ko) | 차량용 헤드라이트 시스템 | |
| KR20190100103A (ko) | 자율 주행 차량 제어 방법 | |
| KR102135254B1 (ko) | 차량 내 사용자 모니터링을 위한 배경 이미지 생성 방법 및 이를 위한 장치 | |
| KR20210052659A (ko) | 자율주행 광고차량의 주행경로 설정 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |