KR20200003309A - 스마트 운전 에이전트 시스템 및 방법 - Google Patents

Abstract

본 발명에 따른 차량의 운행정보 빅데이터 및 가상물리 시스템에 기반한 스마트 운전 에이전트 시스템은 상기 차량과 데이터를 송수신하는 통신모듈, 안전도 정보 및 연비 정보를 포함하며 상기 차량을 제어하기 위한 최적주행모델을 생성하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함한다. 이때, 상기 프로세서는 상기 프로그램을 실행시킴에 따라, 상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 운행정보 빅데이터 및 상기 차량의 특성 데이터에 기초하여 가상물리 시스템을 생성하고, 상기 가상물리 시스템을 시뮬레이션한 결과에 대하여 인공지능 학습 알고리즘에 기초한 학습을 통해 상기 최적주행모델을 생성하며, 상기 통신모듈을 통해 상기 생성된 최적주행모델을 상기 차량으로 제공하되, 상기 운행정보 빅데이터는 상기 차량의 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함한다.

Description

스마트 운전 에이전트 시스템 및 방법{SYSTEM AND METHOD FOR AGENT OF SMART DRIVING}

본 발명은 차량의 운행정보 빅데이터 및 가상물리시스템에 기반한 스마트 운전 에이전트 시스템 및 방법에 관한 것이다.

최근 대형버스에 의한 대형 인명사고가 여러 차례 발생하여 심각한 사회문제로 대두되고 있다. 이러한 대형버스에 의한 사고는 여러명의 승객이 탑승하고 있기에 한번 사고가 발생하게 되면 대형 사고로 이어진다는 문제가 있다.

또한, 사업용 차량을 운전하는 운전자 중 65세 이상의 고령 운전자의 수는 매해 꾸준히 증가하고 있다. 이러한 고령 운전자의 경우 사고 대처 능력이 점차적으로 감소할 수밖에 없기 때문에 사고 유발 가능성이 그만큼 높아지게 되므로, 고령 운전자의 인적 사고요인을 방지하고 안전한 주행환경을 제공할 수 있도록 하는 안전운전 지원 장치의 개발이 필요한 상태이다.

또한, 사업용 차량의 경우 연비 절감을 위한 운전이 잘 이루어지지 않고 있다는 문제가 있다. 최적 주행을 통한 연비운전은 온실가스를 약 10% 감축하는 효과가 있으며, 연비운전은 상대적으로 급가속, 급감속 등의 위험 운전 행위를 40-50%정도 줄여주기 때문에 사고 위험을 10분의 1 수준으로 낮추는 효과가 있다. 따라서, 사업용 차량의 온실가스 저감 및 사고 예방을 위한 연비 운전 유도가 필요한 실정이다.

이와 관련하여 한국공개특허공보 제10-2014-0094288호(발명의 명칭: 차량 운전 모드를 이용한 크루즈 제어 속도 조절 장치 및 방법)는 차량 모드별 입력을 통하여 에코 모드, 정상 모드 및 스포츠 모드로 변환하는 기술을 개시하고 있다.

본 발명의 실시예는 차량의 운행정보 빅데이터와 가상물리시스템을 이용하여 차량의 최적 주행을 제어함으로써 연비 절감 및 안정성 향상을 기대할 수 있는 스마트 운전 에이전트 시스템 및 방법을 제공하고자 한다.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 차량의 운행정보 빅데이터 및 가상물리 시스템에 기반한 스마트 운전 에이전트 시스템은 상기 차량과 데이터를 송수신하는 통신모듈, 안전도 정보 및 연비 정보를 포함하며 상기 차량을 제어하기 위한 최적주행모델을 생성하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함한다. 이때, 상기 프로세서는 상기 프로그램을 실행시킴에 따라, 상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 운행정보 빅데이터 및 상기 차량의 특성 데이터에 기초하여 가상물리 시스템을 생성하고, 상기 가상물리 시스템을 시뮬레이션한 결과에 대하여 인공지능 학습 알고리즘에 기초한 학습을 통해 상기 최적주행모델을 생성하며, 상기 통신모듈을 통해 상기 생성된 최적주행모델을 상기 차량으로 제공하되, 상기 운행정보 빅데이터는 상기 차량의 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함한다.

상기 프로세서는 상기 주행도로 속성정보에 기초하여 운행도로 가상모델을 생성하고, 상기 차량의 특성 데이터에 기초하여 차량 가상모델을 생성하며, 상기 운행도로 가상모델을 통해 구성된 도로 상에 상기 차량 가상모델에 따른 차량을 구성하여 상기 가상물리 시스템을 생성할 수 있다.

상기 프로세서는 상기 차량의 주행에 대한 상기 가상물리 시스템을 시뮬레이션한 결과를 상기 인공지능 학습 알고리즘에 기초한 학습을 통해, 상기 운행도로 가상모델을 통해 구성된 도로에 대한 상기 연비 정보를 포함하는 1차 주행모델을 생성할 수 있다.

상기 프로세서는 상기 1차 주행모델에 대하여, 상기 운행정보 빅데이터로부터 추출한 도로 구간별 평균 차속을 기반으로 주변차량의 주행에 대한 상기 시뮬레이션을 수행한 결과를 상기 인공지능 학습 알고리즘에 기초한 학습을 통해, 2차 주행모델로 생성할 수 있다.

상기 프로세서는 상기 차량의 운행 및 주행 정보와 운행도로 교통정보에 기초하여 운행환경 가상모델을 생성하고, 상기 생성된 운행환경 가상모델을 상기 가상물리 시스템에 적용하여 시뮬레이션한 결과를 상기 인공지능 학습 알고리즘에 기초한 학습을 통해, 상기 2차 주행모델을 상기 최적주행모델로 생성할 수 있다.

상기 특성 데이터는 상기 차량의 파워 트레인 정보 및 상기 차량의 구조 정보를 포함할 수 있다.

상기 차량의 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 상기 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 상기 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함할 수 있다.

상기 프로세서는 상기 차량의 주행 속도 정보를 획득하고, 상기 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보를 획득한 뒤, 상기 차량의 상기 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 상기 연비 정보를 학습할 수 있다.

상기 프로세서는 상기 차량의 현재 주행속도 정보와, 상기 차량의 주행도로 제한속도 정보 및 주변차량의 평균속도 정보를 포함하는 상기 차량의 주행 속도 정보를 획득할 수 있다.

상기 프로세서는 상기 운행정보 빅데이터에 기초하여 목표 연비와 주행조건별 연비의 차이가 최소가 되고, 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 만족하는 상기 최적주행모델을 생성할 수 있다.

또한, 본 발명의 제 2 측면에 따른 차량의 운행정보 빅데이터 및 가상물리 시스템에 기반한 스마트 운전 에이전트 방법은 상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 운행정보 빅데이터 및 상기 차량의 특성 데이터에 기초하여 가상물리 시스템을 생성하는 단계; 상기 가상물리 시스템을 시뮬레이션하는 단계; 상기 시뮬레이션 결과에 대하여 인공지능 학습 알고리즘에 기초한 학습을 통해 최적주행모델을 생성하는 단계 및 상기 최적주행모델을 상기 차량으로 제공하는 단계를 포함한다. 이때, 상기 운행정보 빅데이터는 상기 차량의 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함하고, 상기 특성 데이터는 상기 차량의 파워 트레인 정보 및 상기 차량의 구조 정보를 포함한다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 운행정보 빅데이터뿐만 아니라 차량의 특성 데이터를 함께 고려하여 가상물리 시스템을 생성 및 적용함으로써, 최적주행모델 생성시 학습 데이터의 양과 질에 의존적이던 문제를 해소할 수 있다.

또한, 차량 내부 정보에 한정되어 차량을 제어하던 종래기술의 한계를 극복할 수 있다.

또한, 스마트 운전 에이전트를 통해 운전자의 편의성을 높일 수 있으며 안전운전을 도모하여 교통사고를 예방함과 동시에 연료비 및 배출가스 감소 등의 효과를 기대할 수 있다.

도 1은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법의 순서도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 발명의 일 실시예는 차량의 운행정보 빅데이터와 가상물리 시스템에 기반한 스마트 운전 에이전트 시스템(100) 및 방법에 관한 것이다.

종래 기술의 경우 주행성능과 연비 등을 향상시키기 위하여 엔진 토크, 엔진 효율 맵과 같은 차량의 엔진특성과, 변속기 기어비, 차량 중량 등을 고려하고 있으며, 또는 운전자의 선호에 따라 노멀 모드, 에코 모드, 스포츠 모드 등을 선택할 수 있도록 하고 있다.

그러나 종래 기술의 경우 차량 내부 정보만을 고려하여 차량 주행제어 알고리즘을 적용하고 있다는 문제가 있으며, 주행도로의 특성이나 실시간 교통량 등의 차량 외부 환경정보에 대한 고려가 없다는 문제가 있다.

특히, 크루즈 모드의 경우 운전자가 선택한 속도만을 엄격히 추종하기 때문에 곡선 구간에서의 불안감을 유발하고, 운전자가 직접 제어하는 것보다 낮은 연비 절감 효과를 가져온다는 문제가 있다.

반면, 본 발명의 일 실시예의 경우 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보를 고려한 차량의 운행정보 빅데이터와 차량의 파워 트레인 정보 및 차량의 구조 정보를 포함하는 차량의 특성 데이터에 기초하여 알고리즘을 학습시킴으로써, 안전성과 연비를 향상시킬 수 있는 최적주행모델을 생성할 수 있다.

도 1은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)을 개략적으로 설명하기 위한 도면이다. 도 2는 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)의 블록도이다.

본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)은 하나 이상의 차량(200), 주변 시설물(300)과 네트워크를 통해 연결될 수 있다. 여기에서 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(network)의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크, WiFi, V2X, V2V 등이 포함되나 이에 한정되지는 않는다.

이때, 본 발명의 일 실시예서의 차량은 고속버스나 대형 화물차량 등과 같이 기 설정된 시간 및 노선을 일정 기간 이상 반복 운행하는 상용 차량일 수 있다. 즉, 본 발명의 일 실시예는 이러한 상용 차량의 특성 데이터와, 상용 차량의 장기간 동안의 누적된 운행정보 빅데이터를 분석하여 차량의 주행 패턴을 최적화할 수 있는 최적주행모델을 생성 및 제공할 수 있다.

본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)은 통신모듈(110), 메모리(120) 및 프로세서(130)를 포함한다. 이때, 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)은 자차량 또는 자차량과 동일 모델의 주변 차량으로부터 수집된 운행정보 빅데이터를 인공지능 학습 알고리즘을 통한 분석을 위해 고성능 서버로 구성되며, 이 경우 차량과 독립적으로 구성될 수 있으나 반드시 이에 한정되는 것은 아니며, 경우에 따라 차량과 일체로 구성될 수 있음은 물론이다.

통신모듈(110)은 차량의 운행정보 빅데이터 및 특성 데이터를 차량으로부터 수신하고 최적주행모델을 차량으로 제공한다. 이때, 통신모듈(110)을 통해 수신되는 정보는 차량 내의 센서부로부터 센싱된 차량 내부 정보(속도, 위치, 휠스피드, 연비 정보 등), 자차량의 주변에 위치한 주변차량이나 교통정보 시스템, 기상정보 시스템 등으로부터의 데이터를 포함할 수 있다.

메모리(120)에는 안전도 정보 및 연비 정보를 포함하는 최적 주행모델을 생성하기 위한 프로그램이 저장된다. 여기에서, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 휘발성 저장장치를 통칭하는 것이다.

예를 들어, 메모리(120)는 콤팩트 플래시(compact flash; CF) 카드, SD(secure digital) 카드, 메모리 스틱(memory stick), 솔리드 스테이트 드라이브(solid-state drive; SSD) 및 마이크로(micro) SD 카드 등과 같은 낸드 플래시 메모리(NAND flash memory), 하드 디스크 드라이브(hard disk drive; HDD) 등과 같은 마그네틱 컴퓨터 기억 장치 및 CD-ROM, DVD-ROM 등과 같은 광학 디스크 드라이브(optical disc drive) 등을 포함할 수 있다.

프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킴에 따라, 차량 또는 차량과 동일 모델의 차량으로부터 수집된 운행정보 빅데이터 및 차량의 특성 데이터에 기초하여 가상물리 시스템(CPS, Cyber-Physical System)을 생성하고, 가상물리 시스템을 시뮬레이션한 결과에 대하여 인공지능 학습 알고리즘에 기초한 학습을 통해 안전도 및 연비 정보를 포함하는 최적주행모델을 생성하여, 통신모듈(110)을 통해 최적주행모델을 차량으로 제공한다.

최적주행모델을 수신한 차량은 이에 기초하여 최적의 안전도 및 연비 정보에 따라 해당 차량의 주행을 제어할 수 있다.

참고로, 본 발명의 실시예에 따른 도 1에 도시된 구성 요소들은 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 하드웨어 형태로 구현될 수 있으며, 소정의 역할들을 수행할 수 있다.

그렇지만 '구성 요소들'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 각 구성 요소는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.

따라서, 일 예로서 구성 요소는 소프트웨어 구성 요소들, 객체지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.

구성 요소들과 해당 구성 요소들 안에서 제공되는 기능은 더 작은 수의 구성 요소들로 결합되거나 추가적인 구성 요소들로 더 분리될 수 있다.

이하에서는 도 3을 참조하여 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템(100)에서의 스마트 운전 에이전트 방법에 대해 구체적으로 설명하도록 한다.

도 3은 본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법의 순서도이다.

본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법은 통신모듈을 통해 차량 또는 차량과 동일 모델의 차량으로부터 수신 및 저장된 운행정보 빅데이터와 차량의 특성 데이터에 기초하여 가상물리 시스템을 생성한다(S110).

이때, 상기 저장 및 분석되는 운행정보 빅데이터는 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성 정보 중 하나 이상을 포함할 수 있다.

예를 들어, 차량 운행 및 주행정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함할 수 있다.

운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함할 수 있다.

그리고 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함할 수 있다.

한편, 운행정보 빅데이터만을 인공지능 학습 알고리즘을 통해 학습하여 최적주행모델을 생성할 경우, 스마트 운전 에이전트 시스템의 성능은 전적으로 학습을 통해 생성되는 최적주행모델의 성능에 의존하게 된다.

따라서, 상용 차량의 운행정보 빅데이터의 양과 품질이 최적주행모델의 성능 결정에 매우 중요한 역할을 하게 되는데, 이때 운행정보 빅데이터의 양이 충분하지 못하거나 노이즈가 많을 경우, 학습 과정을 통해 생성된 최적주행모델의 성능이 기대해 미치지 못할 만큼 낮을 수 있게 된다.

이러한 문제점을 해소하기 위하여 본 발명의 일 실시예에 따른 스마트 운전 에이전트 시스템은 운행정보 빅데이터뿐만 아니라 차량의 특성 데이터를 함께 반영하여 가상물리 시스템을 생성하는 것을 특징으로 한다. 즉, 본 발명의 일 실시예는 가상의 운행도로에 가상의 교통정보 조건 등을 입력으로 하는 시뮬레이션 환경을 구성한 다음, 시뮬레이션 결과에 대해 인공지능 학습 알고리즘에 기초한 학습을 수행하여 최적주행모델을 생성할 수 있다.

이때, 차량의 특성 데이터는 상용 차량의 주행 특성을 가장 잘 대표할 수 있는 데이터로, 특성 데이터는 차량의 파워 트레인 정보 및 차량의 구조 정보를 포함할 수 있다.

여기에서 차량의 파워 트레인 정보는 엔진 토크, 효율 맵, 변속기 맵, 기어비 정보를 포함할 수 있고, 차량의 구조 정보는 차량의 현가/제동/조향 시스템 설계값, 하드 포인트, 무게 등의 정보를 포함할 수 있다.

한편, 프로세서(130)에 의해 생성되는 가상물리 시스템은 차량 주행을 모사하고 최적주행모델을 찾아내는 학습을 위한 것으로, 실제 물리적 특성에 기반한 챠량 가상모델, 그리고 운행도로 가상모델 및 운행환경 가상모델을 포함할 수 있다.

프로세서(130)는 운행정보 빅데이터에 포함된 주행도로 속성 정보에 기초하여 운행도로 가상모델을 먼저 생성하고, 차량의 특성 데이터에 기초하여 차량 가상모델을 생성할 수 있다. 그 다음, 프로세서(130)는 운행도로 가상모델을 통해 구성된 도로 상에 차량 가상모델에 따른 차량을 구성하여 가상물리 시스템을 생성할 수 있다.

이러한 차량 가상모델에는 엔진 및 변속기 모델, 차량 동역학 모델 등이 포함될 수 있고, 운행도로 가상모델에는 도로 3D 모델, 도로 제한속도 정보가 포함될 수 있으며, 운행환경 가상모델에는 시간 및 요일별 교통량, 구간별 평균속도 정보가 포함될 수 있다.

다음으로, 프로세서(130)는 위와 같이 생성된 가상물리 시스템을 시뮬레이션하고(S120), 시뮬레이션 결과에 대하여 인공지능 학습 알고리즘에 기초한 학습을 통해 최적주행모델을 생성한다(S130).

구체적으로 프로세서(130)는 차량의 주행에 대한 가상물리 시스템을 시뮬레이션한 결과를 인공지능 학습 알고리즘에 기초한 학습을 통해, 운행도로 가상모델을 통해 구성된 도로에 대한 연비 정보를 포함하는 1차 주행모델을 생성할 수 있다.

그리고 프로세서(130)는 1차 주행모델에 대하여, 운행정보 빅데이터로부터 추출한 도로 구간별 평균 차속을 기반으로 주행차량의 주행에 대한 시뮬레이션을 수행한 결과를 인공지능 학습 알고리즘에 기초한 학습을 통해, 2차 주행모델로 생성할 수 있다.

또한, 프로세서(130)는 차량의 운행 및 주행정보롸 운행도로 교통정보에 기초하여 운행환경 가상모델을 생성하여 가상물리 시스템에 적용할 수 있다. 이에 따라, 프로세서(130)는 운행환경 가상모델이 적용된 가상물리 시스템을 시뮬레이션한 결과를 인공지능 학습 알고리즘에 기초한 학습을 통해 2차 주행모델을 최적주행모델로 생성할 수 있다.

한편, 본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법은 최적주행모델 도출을 위해 인공지능 학습 알고리즘으로 기계학습, 심층학습 및 심층강화학습 중 어느 하나를 적용할 수 있다.

이때, 본 발명의 일 실시예는 상술한 인공지능 학습 알고리즘을 통해 차량에 따른 운행도로 구간별, 월별/요일별/시간별 최적주행패턴을 도출할 수 있으며, 최적주행패턴에 기초하여 안전도 정보 및 연비 정보를 포함하는 최적주행모델을 생성할 수 있다.

여기에서, 안전도 정보는 예를 들어 아래 표 1과 같은 교통안전공단에서 제공하는 차종별 위험운전행동기준과 같이 정량적으로 비교 가능한 수치일 수 있다.

또한, 연비 정보는 동일한 구간을 주행시 소모하는 연료량의 정량적 수치를 의미한다.

[표 1]

먼저, 기계학습을 이용하여 운행정보 빅데이터를 분석하여 최적주행모델을 생성하는 내용을 설명하면 다음과 같다.

구체적으로 본 발명의 일 실시예에서 인공지능 학습 알고리즘으로 기계학습을 이용하는 경우에는 다음과 같은 특성(Feature)을 고려해야 한다.

예를 들어, 차량 자체의 무게나 적재량의 무게가 일반 승용차에 비해 큰 상용 차량은 주행속도 및 감속/가속에 따른 연비 변화가 매우 크다. 특히 종방향 운동특성과 별개로 횡방향 운동특성은 그 영향이 미비하다는 특성이 있다.

또한, 자동차 전용도로에서 주행하는 상용 차량의 주행속도는 주행도로의 제한속도와 주변차량의 평균속도에 크게 영향을 받는다는 특성이 있다.

또한, 가속 및 감속은 주행차선의 전방에 타차량이 들어오고 나감에 주로 영향을 받는 특성이 있으며, 이는 고속도로의 진출입 구간, 분기 구간에서 특히 빈번하게 발생한다.

또한, 다른 요인이 없어 정속주행을 하는 상용 차량에서도 주행 도로의 기울기 및 곡률이 연비에 영향을 주는 특성이 있다.

이와 같은 특성에 따라 본 발명의 일 실시예는 인공지능 학습 알고리즘으로 기계학습을 적용하는 경우, 최적주행모델을 생성하기 위하여 먼저 차량의 주행 속도 정보의 특성을 획득한다.

그 다음 GPS 정보에 따른 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보의 특성을 획득한다.

이와 같은 특성을 획득하고 나면, 차량의 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 연비 정보를 학습함으로써, 연비를 향상시키기 위한 주행 구간에 따른 최적주행모델을 생성할 수 있다.

최적주행모델이 생성됨에 따라 본 발명의 일 실시예는 상술한 표 1에 따른 위험운전행동기준과의 비교를 통해 안전도를 정량적으로 평가할 수도 있다.

다음으로, 심층학습을 이용하여 가상물리 시스템을 시뮬레이션한 결과를 학습하여 최적주행모델을 생성하는 내용을 설명하면 다음과 같다.

심층학습의 경우 기계학습과는 달리 최적주행모델 생성시 특성(feature)을 미리 정할 필요는 없다는 특징이 있으며, 심층학습을 통해 생성되는 최적주행모델의 성능은 데이터의 질과 양에 따라 결정된다는 특징이 있다. 이때, 본 발명의 일 실시예는 미리 생성한 가상물리 시스템을 시뮬레이션하고 이를 학습하기 때문에, 데이터의 질과 양에 따른 성능 의존도를 최소화시킬 수 있다는 장점이 있다.

심층학습을 위한 입력 데이터로 상기 시뮬레이션 결과에 의해 획득된 차량 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상이 적용될 수 있다.

이때, 차량 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함할 수 있다.

이러한 심층학습을 통해 생성되는 최적주행모델은 목표 연비와 주행조건별 연비의 차이가 최소가 되고 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 만족하는 것일 수 있다.

다음으로, 심층강화학습을 이용하여 가상물리 시스템을 시뮬레이션한 결과를 학습하여 최적주행모델을 생성하는 내용을 설명하면 다음과 같다.

본 발명의 일 실시예에 따른 스마트 운전 에이전트 방법은 심층학습 네트워크(Deep Neural Network) 구조에 기계학습 방법 중 강화학습(Reinforcement Learning)을 적용한 심층강화학습을 통해 최적주행모델의 성능을 보다 향상시킬 수 있다.

즉, 심층학습 중 지도학습을 통해 생성된 최적주행모델은 가상물리 시스템 환경에서 반복적인 강화학습을 통해 그 성능을 지속적으로 향상시킬 수 있다.

이때, 심층강화학습 알고리즘으로는 전략기반이나 정책기반 또는 이들의 조합된 방법이 모두 적용 가능하다.

이와 같이 최적주행모델이 생성되고 나면, 생성된 최적주행모델을 차량으로 제공하게 되고(S140), 차량은 이를 수신하여 해당 차량을 제어한다.

이와 같이 생성된 최적주행모델은 기존 차량에 사용 중인 단순 설정 속도만을 유지하여 주행하는 크루즈 시스템에 대체되어 적용될 수 있다.

또한, 현재 차량의 운전자에게 최적주행모델을 통한 운전 가이드를 시각, 청각, 촉각 등의 방법으로 제공할 수 있고, 운전자로부터 이에 대응하는 피드백 정보를 수신할 수 있다.

상술한 설명에서, 단계 S110 내지 S140는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1 내지 도 2에서의 스마트 운전 에이전트 시스템(100)에 관하여 이미 기술된 내용은 도 3에서의 스마트 운전 에이전트 방법에도 적용된다.

본 발명의 일 실시예는 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 스마트 운전 에이전트 시스템
110: 메모리
120: 프로세서
130: 통신모듈

Claims (11)

1. 차량의 운행정보 빅데이터 및 가상물리 시스템에 기반한 스마트 운전 에이전트 시스템에 있어서,
   상기 차량과 데이터를 송수신하는 통신모듈,
   안전도 정보 및 연비 정보를 포함하며 상기 차량을 제어하기 위한 최적주행모델을 생성하기 위한 프로그램이 저장된 메모리 및
   상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되,
   상기 프로세서는 상기 프로그램을 실행시킴에 따라, 상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 운행정보 빅데이터 및 상기 차량의 특성 데이터에 기초하여 가상물리 시스템을 생성하고, 상기 가상물리 시스템을 시뮬레이션한 결과에 대하여 인공지능 학습 알고리즘에 기초한 학습을 통해 상기 최적주행모델을 생성하며, 상기 통신모듈을 통해 상기 생성된 최적주행모델을 상기 차량으로 제공하되,
   상기 운행정보 빅데이터는 상기 차량의 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함하는 것인 스마트 운전 에이전트 시스템.
2. 제 1 항에 있어서,
   상기 프로세서는 상기 주행도로 속성정보에 기초하여 운행도로 가상모델을 생성하고, 상기 차량의 특성 데이터에 기초하여 차량 가상모델을 생성하며, 상기 운행도로 가상모델을 통해 구성된 도로 상에 상기 차량 가상모델에 따른 차량을 구성하여 상기 가상물리 시스템을 생성하는 것인 스마트 운전 에이전트 시스템.
3. 제 2 항에 있어서,
   상기 프로세서는 상기 차량의 주행에 대한 상기 가상물리 시스템을 시뮬레이션한 결과를 상기 인공지능 학습 알고리즘에 기초한 학습을 통해, 상기 운행도로 가상모델을 통해 구성된 도로에 대한 상기 연비 정보를 포함하는 1차 주행모델을 생성하는 것인 스마트 운전 에이전트 시스템.
4. 제 3 항에 있어서,
   상기 프로세서는 상기 1차 주행모델에 대하여, 상기 운행정보 빅데이터로부터 추출한 도로 구간별 평균 차속을 기반으로 주변차량의 주행에 대한 상기 시뮬레이션을 수행한 결과를 상기 인공지능 학습 알고리즘에 기초한 학습을 통해, 2차 주행모델로 생성하는 것인 스마트 운전 에이전트 시스템.
5. 제 3 항에 있어서,
   상기 프로세서는 상기 차량의 운행 및 주행 정보와 운행도로 교통정보에 기초하여 운행환경 가상모델을 생성하고, 상기 생성된 운행환경 가상모델을 상기 가상물리 시스템에 적용하여 시뮬레이션한 결과를 상기 인공지능 학습 알고리즘에 기초한 학습을 통해, 상기 2차 주행모델을 상기 최적주행모델로 생성하는 것인 스마트 운전 에이전트 시스템.
6. 제 1 항에 있어서,
   상기 특성 데이터는 상기 차량의 파워 트레인 정보 및 상기 차량의 구조 정보를 포함하는 것인 스마트 운전 에이전트 시스템.
7. 제 1 항에 있어서,
   상기 차량의 운행 및 주행 정보는 운행 일시, 운행 구간, 주행 위치, 속도 및 실시간 연비 데이터 정보 중 하나 이상을 포함하고, 상기 운행도로 교통정보는 교통량 및 평균속도 정보 중 하나 이상을 포함하며, 상기 주행도로 속성정보는 기울기, 곡률, 제한 속도, 도로 종류, 진출입로 구간 및 분기 구간 정보 중 하나 이상을 포함하는 것인 스마트 운전 에이전트 시스템.
8. 제 1 항에 있어서,
   상기 프로세서는 상기 차량의 주행 속도 정보를 획득하고, 상기 차량의 위치 정보를 3차원 도로 맵과 매칭하여 도로의 기울기, 곡률, 제한속도, 종류, 진출입로 구간, 분기 구간 정보를 포함하는 도로 정보에서의 주행 위치 정보를 획득한 뒤, 상기 차량의 상기 주행 위치 정보에 대응하는 주행 속도 정보에 기초하여 상기 연비 정보를 학습하는 것인 스마트 운전 에이전트 시스템.
9. 제 8 항에 있어서,
   상기 프로세서는 상기 차량의 현재 주행속도 정보와, 상기 차량의 주행도로 제한속도 정보 및 주변차량의 평균속도 정보를 포함하는 상기 차량의 주행 속도 정보를 획득하는 것인 스마트 운전 에이전트 시스템.
10. 제 1 항에 있어서,
    상기 프로세서는 상기 운행정보 빅데이터에 기초하여 목표 연비와 주행조건별 연비의 차이가 최소가 되고, 목표 안전도와 주행조건별 안전도의 차이가 최소가 되는 경우를 만족하는 상기 최적주행모델을 생성하는 것인 스마트 운전 에이전트 시스템.
11. 차량의 운행정보 빅데이터 및 가상물리 시스템에 기반한 스마트 운전 에이전트 방법에 있어서,
    상기 차량 또는 상기 차량과 동일 모델의 차량으로부터 수집된 운행정보 빅데이터 및 상기 차량의 특성 데이터에 기초하여 가상물리 시스템을 생성하는 단계;
    상기 가상물리 시스템을 시뮬레이션하는 단계;
    상기 시뮬레이션 결과에 대하여 인공지능 학습 알고리즘에 기초한 학습을 통해 최적주행모델을 생성하는 단계 및
    상기 최적주행모델을 상기 차량으로 제공하는 단계를 포함하되,
    상기 운행정보 빅데이터는 상기 차량의 운행 및 주행 정보, 운행도로 교통정보 및 주행도로 속성정보 중 하나 이상을 포함하고,
    상기 특성 데이터는 상기 차량의 파워 트레인 정보 및 상기 차량의 구조 정보를 포함하는 것인 스마트 운전 에이전트 방법.

Images