KR20200044225A - 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템 - Google Patents

딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템 Download PDF

Info

Publication number
KR20200044225A
KR20200044225A KR1020180121902A KR20180121902A KR20200044225A KR 20200044225 A KR20200044225 A KR 20200044225A KR 1020180121902 A KR1020180121902 A KR 1020180121902A KR 20180121902 A KR20180121902 A KR 20180121902A KR 20200044225 A KR20200044225 A KR 20200044225A
Authority
KR
South Korea
Prior art keywords
vehicle
parts
diagnosis
risk
self
Prior art date
Application number
KR1020180121902A
Other languages
English (en)
Other versions
KR102160140B1 (ko
Inventor
이병관
정이나
손수락
Original Assignee
가톨릭관동대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가톨릭관동대학교산학협력단 filed Critical 가톨릭관동대학교산학협력단
Priority to KR1020180121902A priority Critical patent/KR102160140B1/ko
Publication of KR20200044225A publication Critical patent/KR20200044225A/ko
Application granted granted Critical
Publication of KR102160140B1 publication Critical patent/KR102160140B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/021—Means for detecting failure or malfunction
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/0215—Sensor drifts or sensor failures

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)

Abstract

실시예는 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법에 대한 것이다. 구체적으로는, 이러한 자가진단 방법은 차량 부품 간의 연관성에 따라 입력 센서 정보의 수와 출력부품의 수에 따른 동적의 개수로써 정한 히든 레이어에 의해 역-전파로써 된 차량 부품 진단 포맷을 설정 등록한다. 그래서, 이러한 차량 부품 진단 포맷에 따라 차량의 센서 정보를 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론한다. 따라서, 차량의 부품 사이의 연관성을 계산하여 현재 부품들의 상태를 명확히 진단해서, 사용자에게 전달한다. 그리고, 이러한 부품의 상태에 따라 정확하고 빠르게 차량의 전체적인 상태나 고장 등을 진단한다.

Description

딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템{Self-diagnosis System for Autonomous Vehicle based Deep Learning}
본 명세서에 개시된 내용은 운전자가 차량을 조작하지 않아도 스스로 주행하는 자율주행차량을 위한 자가진단 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
일반적으로, 자율주행차량은 자율주행 트랙터를 위해서 환경을 인지하고 자율주행과 작업이 가능한 차량이다.
그러나, 최근의 기술 등에 비추어 볼 때 자율주행차량은 먼 미래의 일이 아니다. WAVE, LTE 등 다양한 통신방식으로 V2X의 QoS가 높아지면서 차량은 현재 자신 주변의 교통 상황을 실시간으로 전달받고 이에 맞게 사용자에게 경고하거나 차량 스스로 문제를 해결한다.
이렇게 차량 주행이 자동화될수록 차량 운전자들은 차량의 상태에 대해 자세히 신경을 쓰기가 어렵다. 차량이 자율주행을 실행하면 운전자 본인이 차량을 조작하면서 느끼는 차량의 상태를 더는 느낄 수 없기 때문이다. 따라서 차량은 운전자에게 주변 위험 상황뿐만 아니라 차량 내부의 위험도 정확하고 빠르게 알려줘야 한다.
이러한 배경의 기술이 되는 선행문헌은 아래의 특허문헌이다.
(특허문헌 1) KR10-2000-0054385 A
(특허문헌 2) KR10-1117168 Y1
하지만, 이러한 특허문헌들을 포함해서 현재 차량의 진단을 실행하는 도구는 대부분 OBD에 장착하여 OBD의 핀번호를 이용하여 차량의 종합적인 상태를 진단한다. 그러나 차량의 전체적인 상태나 고장 부품 사이의 연관성을 계산하여 부품의 상태를 명확하게 사용자에게 알리는 진단 도구가 개발되어 있지 않다.
개시된 내용은, 센서 정보들의 신속한 통신을 지원하고, 차량의 상태를 정확하고 빠르게 진단하고, 진단 결과를 클라우드 및 주변 차량에게 알릴 수 있도록 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법을 제공하고자 한다.
실시예에 따른 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법은,
차량 부품 간의 연관성에 따라 입력 센서 정보의 수와 출력부품의 수에 따른 동적의 개수로써 정한 히든 레이어에 의해 역-전파로써 된 차량 부품 진단 포맷을 설정한다. 그래서, 이러한 차량 부품 진단 포맷에 따라 실시간으로 차량의 센서 정보를 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론하므로 자가진단을 하는 것을 특징으로 한다.
실시예들에 의하면, 차량의 부품 사이의 연관성을 계산하여 현재 부품들의 상태를 명확히 진단해서, 사용자에게 전달한다.
그리고, 이러한 부품의 상태에 따라 정확하고 빠르게 차량의 전체적인 상태나 고장 등을 진단한다.
또한, 이러한 사고 또는 고장이 감지된 경우 사고 위험성이 높은 차량을 주변 차량이 빠르게 감지한다. 그리고, 더 나아가서 이를 통해 주변 차량과 인프라스트럭쳐에게 위험을 알려 연속된 사고를 방지한다.
그리고, 또한 차량 내 모든 주요 프로토콜의 통신을 지원하고, 신속한 속도를 보장한다. 이에 따라, 더 나아가서 통합적으로 차량 네트워크 간의 실시간 통신을 한다. 그리고, 그에 따른 전송 지연을 최소화한다.
도 1은 일실시예에 따른 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법이 적용된 시스템의 구성을 도시한 도면
도 2는 그 차량 부품 진단 포맷에 따른 자가진단 모듈의 구성을 개념적으로 도시한 도면
도 3은 일실시예에 따른 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법을 순서대로 도시한 플로우 챠트
도 1은 일실시예에 따른 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법이 적용된 시스템의 구성을 도시한 도면이다.
도 1에 도시된 바와 같이, 일실시예의 시스템은 차량의 센서, 센서 정보를 통해 차량 부품 등을 자가진단하는 자가진단 모듈을 구비한 OBD(100), 그 OBD(100)와 IoT에 연결된 예를 들어, 차량 정비소 등의 외부 정보처리장치를 포함한다.
추가적으로, 일실시예의 시스템은 그 OBD(100) 내에 차량 내 모든 주요 프로토콜의 통신을 지원하고, 신속한 속도를 보장하고 차량 네트워크 간의 실시간 통신을 하는 자가진단의 통합형 경량화 에지 게이트웨이를 포함한다.
그리고, 이러한 경우 그 차량의 센서는 그 OBD(100)의 자가진단을 위한 센싱 정보를 제공하는 것이다. 그래서, 이러한 OBD(100)는 그 센싱 정보에 의한 예를 들어, 차량의 각종 부품 등의 자가진단을 해서, 그에 따른 결과를 IoT를 통해 차량 정비소 등의 외부 정보처리장치 등에 전달한다. 여기에서, 차량의 센서는 FlexRay 버스를 통한 ABS 센서, 에어백 센서 등이고, CAN 버스를 통한 온도 센서, 핸들 센서, 계기 센서 등이고, MOST 링을 통한 영상 센서를 포함한다.
상기 OBD(100)는 먼저 차량 부품 간의 연관성에 따라 입력 센서 정보의 수와 출력부품의 수에 따른 동적의 개수로써 정한 히든 레이어에 의해 역-전파로써 된 차량 부품 진단 포맷을 설정 등록한다. 이를 통해, 이러한 상태에서, 그래서 이러한 OBD(100)는 차량의 센서 정보를 입력받아 등록해서, 그 차량 부품 진단 포맷에 따라 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론한다. 그래서, 차량의 부품 사이의 연관성을 계산하여 현재 부품들의 상태를 정확하고 빠르게 진단한다. 이하, 이러한 차량 부품 진단 포맷에 따라 차량의 부품과 소모품에 대한 위험도를 추론하는 동작을 구체적으로 설명한다.
이러한 경우, 그 차량의 부품과 소모품의 위험도 추론 동작은 일실시예에 따른 수식에 따라 이루어진 차량 부품 진단 포맷을 적용한다.
구체적으로는, 상기 차량 부품 진단 포맷은 하기의 [식 1]에 따라 된 것이다.
[식 1]
NET h1j = ∑xiWij(i = 0 ~ n까지), h1j = max(0, NET h1j)
NET yk = ∑hmiZik(i = 1 ~ l까지), yk = 1/1+e-NET yk
여기에서, xi는 차량의 센서 정보의 i번째 입력 노드의 값, Wij는 i번째 입력 노드와 j번째 히든 노드 사이의 연결 강도, hmi는 상기 히든 레이어의 개수에 대응하여 정한 순서의 히든 레이어의 값, Zik는 i번째 입력 노드와 k번째 히든 레이어 사이의 연결 강도, yk는 차량 부품과 소모품의 위험도
이러한 경우, 그 차량의 센서 정보는 속도, 시동전압, 주행거리, 타이어 공기압 등이다. 그리고, 그 히든 레이어는 그 차량의 센서 정보를 입력으로 해서 부품 사이의 연관성에 따라 부품의 위험도를 추론하는 모델링으로써 된 것이다. 예를 들어, 이러한 부품 사이의 연관성은 차량에서 중요한 속도, 주행 등을 기준으로 정하고, 구체적으로는 일예로써 엔진, 타이어, 전조등 및 발전기의 순서로 높게 연관되도록 한다. 이러한 정보는 예를 들어, 결함 부품에 의한 다른 부품의 종속 관계에 대응하여 정해져서, 그 종속 관계를 설정한다. 또한, 추가적으로 차량의 실시간 센서 정보 또는 미리 등록된 자동차 서비스 센터의 배치 센서 정보로부터 수집되어서 그 센서 정보의 입력을 받고, 이러한 위험도 추론의 동작을 클라우드를 기반으로 동작한다.
그래서, 이러한 차량의 부품 등의 위험도와 결함 부품에 의한 다른 부품의 위험도 추론시에, [식 1]에 의해 차량의 부품 간의 연관성에 따라 부품 간의 미치는 영향력을 산출해서 위험도 추론을 한다.
다음, 이러한 도 1의 일실시예에 따른 시스템의 OBD에 적용된 그 차량 부품 진단 포맷에 따른 자가진단 모듈의 구성을 구체적으로 설명한다.
도 2는 그 차량 부품 진단 포맷에 따른 자가진단 모듈의 구성을 개념적으로 도시한 도면이다.
도 2에 도시된 바와 같이, 일실시예에 따른 차량 부품 진단 포맷에 따른 자가진단 모듈은 일실시예의 자율주행차량 자가진단 모듈로써, 이러한 모듈은 클라우드 환경에서 동작하고 두 개의 서브 모듈로 구성된다. 이하, 이러한 모듈을 구체적으로 설명한다.
첫째 모듈은 일실시예에 따른 차량 부품 진단 포맷에 따른 차량 부품 진단 서브-모듈이다. 이하, 이러한 차량 부품 진단 서브-모듈을 VPDS로 약칭한다. 이러한 VPDS는 각 부품의 연관성을 고려하여 각 부품의 상태를 진단한다. 그리고, 이러한 VPDS의 진단을 실행하기 위해 VPDS의 입출력, 히든 레이어의 개수, 모델링 방법이 설명된다.
먼저, 그 VPDS는 차량의 센서에서 수집할 수 있는 속도, 시동전압, 주행거리, 타이어 공기압, RPM, 냉각수, 엔진오일, 후방 센서 등의 정보를 이용하고, 각 부품 사이의 연관성을 고려하여 각 부품의 상태를 진단한다.
이러한 경우, 그 VPDS는 차량에서 수신된 정보를 입력으로 사용한다. 차량 내 센서에서 수집된 정보는 디지털 수치 정보이며, 각 부품의 상태를 나타낸다. VPDS의 입력은 센서의 집합, 각 센서의 정보, 센서의 수를 조합해서 정의한다. 그리고, VPDS의 출력 값은 각 부품의 상태를 나타낸다. 각 부품은 예를 들어, 3개의 출력 노드로 상태가 진단된다. 이러한 VPDS의 출력은 출력 노드들의 집합, 각 노드의 출력 값, 진단하는 부품 개수의 3배의 정보를 포함해서 이루어진다. 각 부품에 대응하는 세 개의 노드는 각각 "정상", "경고", "위험"을 나타낸다.
또한, 이러한 VPDS의 히든 레이어는 역-전파를 사용한다. 이러한 경우, 그 히든 레이어는 입력 센서 정보의 수와 출력부품의 수에 따라 동적으로 히든 레이어의 개수를 결정한다. 예를 들어, 이러한 히든 레이어의 개수는 5개로 고정한다. 그 히든 레이어의 각 레이어별 노드의 개수는 입력 정보의 개수와 동일하게 설정한다. 그래서, 이는 히든 레이어를 통하여 부품들이 서로에게 미치는 영향력을 계산할 수 있게 한다.
그리고, 또한 이러한 VPDS의 모델링을 위한 수학적 설계와 그의 구조는 전술한 도 1을 통해 설명한 [식 1]에 의해 이루어진다.
그리고, 두번째 모듈은 차량 전체 상태 진단 포맷에 따른 서브-모듈이다. 이하, 이러한 차량 전체 상태 진단 서브-모듈은 TDS로 약칭한다. 그 TDS는 전술한 VPDS의 출력을 입력 정보로 사용하여 차량 전체의 상태를 진단하여 사용자에게 알린다. 이러한 TDS의 수학적 설계와 그의 구조는 아래의 [식 2]에 따라 이루어진다. 그래서, 그 [식 2]를 참조하여 설명한다.
그래서, 일실시예에 따른 딥 러닝 모델은 이러한 트레이닝데이터셋을 통하여 학습하고, 학습이 완료된 경우 차량의 자가진단을 실시한다. 클라우드는 현재 센서 정보와 그 센서 정보의 정상치의 차이와 자가진단의 결과를 종합하여 차량 관리자에게 전송하도록 설계 구성한다.
한편, 일실시예에 따른 도 1의 시스템의 OBD는 일실시예에 따라 차량의 전체적인 상태나 고장 등을 진단한다.
이러한 경우, 그 OBD는 일실시예에 따른 차량 부품 사이의 연관성에 따른 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따라 그 차량의 전체 상태나 고장 등의 진단을 한다.
구체적으로는, 먼저 하기의 [식 2]에 따라 차량 부품 간의 연관성과 차량 부품의 위험도 간의 연관성에 따른 미리 설정된 계단함수에 의한 차량 전체 상태 진단 포맷을 설정 등록한다.
[식 2]
NETn = ∑xiWin(i = 0 ~ g까지), f(NETn ){0(NET < 0) 1(NET≥0)
여기에서, xi는 차량의 부품 정보의 i번째 입력 노드의 값, Win은 i번째 입력 노드와 n번째 입력 노드 사이의 연결 강도, g는 차량의 부품의 입력 정보 사용 조합의 개수에 대응하여 정한 값
추가적으로, 이러한 차량 전체 상태 진단 포맷은 전술한 차량 부품 진단 포맷에 의해 산출된 각 자율차량 부품에 대한 진단 결과를 입력으로 사용하여, 차량의 전체 상태를 진단하는 단순 신경망 모델이다. 그 차량 전체 상태 진단 포맷은 히든 레이어가 없고 활성화 함수로 단극성 계단함수를 사용하는 단순한 구조의 신경망이다. 입력 정보는 그 차량 부품 진단 포맷의 출력값이고, 출력 정보는 각각 '정상', '점검', '위험'을 구분한다. 그래서, 이에 따라 노드 3개로 한다. 이러한 경우, 그 '정상'은 차량이 전체 상태에서 전혀 문제가 없음을 의미한다. 그리고, 그 '점검'은 사고에 낮은 영향을 끼치는 일부 부품에서 이상이 발생했음을 의미한다. 또한, '위험'은 사고에 높은 영향을 끼치는 일부 부품에서 이상이 발생했음을 의미한다.
그래서, 그 차량 부품 등의 위험도 추론을 한 후에, 상기 차량 전체 상태 진단 포맷에 의해서 실시간으로 차량의 부품과 소모품의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 학습해서 차량의 전체 상태를 진단한다.
예를 들어, 엔진, 타이어, 전조등 및 발전기의 각 분석 결과를 통합하여 차량 전체 상태 진단 포맷이 전체 조건을 판단한다. 구체적으로는, 엔진-정상_130kg/c, 타이어-점검_28_PSI, 전조등-위험_92,500cd 및 발전기-점검_12v인 경우 차량의 전체 상태를 '점검'으로써 진단한다.
그래서, 이에 따라 차량의 전체적인 상태나 고장 등을 정확하고 빠르게 진단한다. 이를 통해 명확히 사용자에게 알린다.
또한, 이러한 경우 일실시예에 따른 도 1의 시스템의 OBD는 그 차량의 상태 진단시에, 진단 결과에 따라 사고 위험성이 높은 차량을 주변 차량이 빠르게 감지할 수 있도록 한다.
이를 위해, 이러한 일실시예에 따른 OBD는 엣지 컴퓨팅을 기반으로 V2X 통신을 진행하여 진단 결과를 클라우드 및 주변 차량에게 알린다.
구체적으로는, 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따라 차량 부품 간의 연관성에 의해서 차량 부품 진단 포맷을 모델링하여 차량 부품 진단 포맷 모델을 생성한다.
그리고, 또한 차량의 부품과 소모품의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따른 차량 부품 간의 연관성에 의해서 차량 전체 상태 진단 포맷을 모델링하여 차량 전체 상태 진단 포맷 모델을 생성한다.
다음, 차량 장치별로 대응하여 차량 부품 진단 포맷 모델과 차량 전체 상태 진단 포맷 모델을 제공하는 메인 클라우드 서버에 상기 차량 부품 진단 포맷 모델과 상기 차량 전체 상태 진단 포맷 모델을 전달한다. 예를 들어, 그 차량 장치는 차량 내의 센서와 그의 유형, 개수 등에 따라 상이하게 구분이 되도록 한다. 이러한 경우, 그 메인 클라우드 서버는 그 차량 부품 진단 포맷 모델과 그 차량 전체 상태 진단 포맷 모델을 지속적으로 업데이트하여 차량으로 전송해서, 일실시예에 따른 차량 부품 진단 포맷과 차량 전체 상태 진단 포맷의 학습 정확도를 향상시킨다. 그리고, 이에 따라 차량은 메인 클라우드 서버에서 전송된 차량 부품 진단 포맷 모델과 차량 전체 상태 진단 포맷 모델을 사용하여 자가진단 속도를 향상시킨다.
이러한 상태에서, 그래서 상기 메인 클라우드 서버로부터 차량 장치에 대응하여 자신에게 적합한 자신의 차량 부품 진단 포맷 모델과 차량 전체 상태 진단 포맷 모델을 제공받는다.
그런 다음, 이렇게 제공된 차량 부품 진단 포맷 모델에 의해 우선적으로 실시간으로 차량의 센서 정보를 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론한다.
다음, 상기 차량 전체 상태 진단 포맷 모델에 의해 이렇게 추론된 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 학습한다.
그래서, 이러한 학습에 따른 위험도가 위험하다고 진단이 된 위험도인 경우, 위험 경보 메시지를 발생해서 대응하여 미리 설정된 통신 반경 내에 인접한 차량으로 전송한다. 이러한 경우, 그 위험 경보 메시지는 V2X 기반으로 된 사고 알림 서비스 포맷에 의해 발생이 되고, 그 위험 경보 메시지의 발생시에 위험 경고 메시지의 홉 필드는 2로 설정된다. 그리고, 그 위험 경고 메시지를 인접한 차량으로 전송시에 위험 경보 메시지의 홉 필드는 1이 된다.
따라서, 이에 따라 사고 위험성이 높은 차량을 주변 차량이 빠르게 감지를 하게 한다.
이를 통해 사고 또는 고장이 감지된 경우 주변 차량과 인프라스트럭쳐에게 위험을 알려 연속된 사고를 방지한다.
보다 상세하게, 추가적으로 이러한 경우 그 위험 경보 메시지를 수신한 주변의 차량은 V2V 통신을 통해 다른 인접 차량으로 그 메시지를 전송한다.
그러면, 그 다른 인접 차량은 최초 차량의 위험 경보 메시지를 수신함으로써 그 최초 차량의 상태를 안다. 이러한 경우, 위험 경보 메시지의 홉 필드는 0이기 때문에, 다른 인접 차량은 그것을 다른 차량에 전송하지 않는다.
또한, 이러한 진단 결과를 V2X 기반으로 된 사고 알림 서비스 포맷에 따른 위험 경보 메시지 발생시에 대응하여 미리 설정된 통신 반경 내의 인접 인프라스트럭쳐에 알린다.
이에 따를 경우, 최초 차량은 위험 경고 메시지를 인접한 차량 및 인접한 인프라스트럭쳐에 동일 시점에 모두 전송한다. 이때, 위험 경보 메시지는 인접한 인프라스트럭쳐로만 전송되야 하기 때문에 홉이 사용되지 않는다. 따라서, 최초 차량의 위험 경보 메시지를 수신한 인프라스트럭쳐는 최초 차량의 상태를 주변 인프라스트럭쳐에 전달하지 않고, 주변 차량에게만 전달한다. 최초 차량은 차량 부품 진단 포맷과 차량 전체 상태 진단 포맷에 의한 센싱 정보 및 분석 결과를 메인 클라우드 서버로 전송한다.
따라서, 사고 또는 고장이 감지된 경우 주변 차량과 인프라스트럭쳐에게 위험을 알려 연속된 사고를 방지하게 한다.
도 3은 일실시예에 따른 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법을 순서대로 도시한 플로우 챠트이다.
도 3에 도시된 바와 같이, 일실시예에 따른 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법은 먼저 OBD에 따른 자율주행차량의 부품 또는 차량의 전체 상태를 자가진단하는 자율주행차량을 위한 자가진단 방법에 대한 것이다.
이러한 일실시예에 따른 자가진단 방법은 차량의 센서 정보를 입력받아 등록한다(S301). 이러한 경우 그 차량의 센서 정보는 일실시예에 따른 경량화 에지 게이트웨이 방법에 의해 입력된다. 그리고, 차량 내의 주요 프로토콜 간에 상호 통신이 된다. 이를 위해, 예를 들어, 차량의 주요 내부 통신의 프로토콜 버스 간에 메시지로써 송수신을 하도록 해서 차량의 센서 정보를 입력받아서, 상기 메시지로써의 차량의 센서 정보가 처리되기 위해 미리 설정된 메시지 큐에 등록한다. 이를 위해, 먼저 차량의 주요 내부 통신 간의 메시지 변환에 필요하도록 메시지 각 헤더의 목적지 주소, 목적지 버스 번호, 근원지 아이디, 사이클을 포함한 미리 설정된 어드레스정보를 매핑하는 어드레스 매핑 테이블을 설정 등록한다. 예를 들어, 이러한 어드레스 매핑 테이블은 사이클, 아이디, 우선순위, 소스 프로토콜, 소스 버스 번호, 소스 어드레스, 목적지 프로토콜, 목적지 버스 번호, 목적지 어드레스로 구성된다. 그래서, 차량의 센서 정보 입력시마다 각 헤더의 어드레스정보를 추출해서 메시지 헤더를 경량화하므로 차량의 주요 내부 통신 간에 상기 어드레스 매핑 테이블에 의해 매핑한다. 그런 다음, 어드레스 매핑 테이블에 의한 헤더 정보와 상기 메시지 큐의 원본 메시지 내용을 조합하여 메시지를 변환하여 전송한다. 따라서, 차량 네트워크 간의 실시간 통신을 위하여 메시지 헤더를 경량화하고 매핑테이블을 이용하여 메시지를 변환한다. 이를 통해 데이터의 경량화를 통하여 메시지의 변환으로 생기는 전송 지연을 최소화한다. 그러므로, 통합적으로 차량 내부의 서로 다른 프로토콜의 메시지 형태를 변환한다. 그렇게 하여 전송하는데 발생하는 메시지 변환 전송 지연 시간이 감소하고, 트래픽 과부화 전송 지연에 대해서도 전송 시간이 향상된다. 이를 통해 하드웨어적 차량 게이트웨이와 달리, OBD에 적용하는 소프트웨어적 게이트웨이로서 기존 차량과의 호환성이 높다. 그리고, 또한 경량화된 메시지 헤더를 사용하여 메시지 분할로 인한 전송 오류 및 과부화를 감소한다.
다음, 그리고 그 상태에서, 우선적으로 차량 부품 간의 연관성에 따라 입력 센서 정보의 수와 출력부품의 수에 따른 동적의 개수로써 정한 히든 레이어에 의해 역-전파로써 된 차량 부품 진단 포맷을 설정 등록한다(S302).
이러한 경우 상기 차량 부품 진단 포맷은 하기의 [식 3]에 따라 된다.
[식 3]
NET h1j = ∑xiWij(i = 0 ~ n까지), h1j = max(0, NET h1j)
NET yk = ∑hmiZik(i = 1 ~ l까지), yk = 1/1+e-NET yk
여기에서, xi는 차량의 센서 정보의 i번째 입력 노드의 값, Wij는 i번째 입력 노드와 j번째 히든 노드 사이의 연결 강도, hmi는 상기 히든 레이어의 개수에 대응하여 정한 순서의 히든 레이어의 값, Zik는 i번째 입력 노드와 k번째 히든 레이어 사이의 연결 강도, yk는 차량 부품과 소모품의 위험도
그래서, 그 차량 부품 진단 포맷에 따라 실시간으로 차량의 센서 정보를 학습해서 부품 간의 미치는 영향력을 산출하므로, 차량의 부품과 소모품의 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론한다(S303).
따라서, 이에 따라 차량의 부품 사이의 연관성을 계산하여 현재 부품들의 상태를 정확하고 빠르게 진단한다.
이상과 같이, 일실시예는 차량 부품 간의 연관성에 따라 입력 센서 정보의 수와 출력부품의 수에 따른 동적의 개수로써 정한 히든 레이어에 의해 역-전파로써 된 차량 부품 진단 포맷을 설정한다. 그래서, 이러한 차량 부품 진단 포맷에 따라 실시간으로 차량의 센서 정보를 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론한다.
이를 통해 차량의 부품 사이의 연관성을 계산하여 현재 부품들의 상태를 명확히 진단해서, 사용자에게 전달이 될 수 있도록 한다.
한편, 일실시예는 이러한 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따라 차량의 전체적인 상태나 고장 등을 진단할 수 있도록 한다.
이를 위해, 일실시예는 먼저 하기의 [식 4]에 따라 차량 부품 간의 연관성과 차량 부품의 위험도 간의 연관성에 따른 미리 설정된 계단함수에 의한 차량 전체 상태 진단 포맷을 설정 등록한다.
[식 4]
NETn = ∑xiWin(i = 0 ~ g까지), f(NETn ){0(NET < 0) 1(NET≥0)
여기에서, xi는 차량의 부품 정보의 i번째 입력 노드의 값, Win은 i번째 입력 노드와 n번째 입력 노드 사이의 연결 강도, g는 차량의 부품의 입력 정보 사용 조합의 개수에 대응하여 정한 값
그래서, 이러한 차량 전체 상태 진단 포맷에 의해서 실시간으로 차량의 부품과 소모품의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 학습해서 차량의 전체 상태를 진단한다.
이를 통해 차량의 전체적인 상태나 고장 등을 진단하게 한다.
따라서, 차량의 상태를 정확하고 빠르게 진단을 한다.
다른 한편으로, 일실시예는 이러한 차량의 고장시에 사고 위험성이 높은 차량을 주변 차량이 빠르게 감지할 수 있도록 한다.
이를 위해, 일실시예는 먼저 엣지 컴퓨팅을 기반으로 V2X 통신을 진행하여 진단 결과를 클라우드 및 주변 차량에게 알린다.
구체적으로는, 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따라 차량 부품 간의 연관성에 의해서 차량 부품 진단 포맷을 모델링하여 차량 부품 진단 포맷 모델을 생성한다.
그리고, 또한 차량의 부품과 소모품의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따른 차량 부품 간의 연관성에 의해서 차량 전체 상태 진단 포맷을 모델링하여 차량 전체 상태 진단 포맷 모델을 생성한다.
다음, 차량 장치별로 대응하여 차량 부품 진단 포맷 모델과 차량 전체 상태 진단 포맷 모델을 제공하는 메인 클라우드 서버에 그 차량 부품 진단 포맷 모델과 그 차량 전체 상태 진단 포맷 모델을 전달한다.
그리고, 상기 메인 클라우드 서버로부터 차량 장치에 대응하여 자신에게 적합한 자신의 차량 부품 진단 포맷 모델과 차량 전체 상태 진단 포맷 모델을 제공받는다.
그래서, 이렇게 제공된 차량 부품 진단 포맷 모델에 의해 실시간으로 차량의 센서 정보를 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론한다.
그런 다음, 이러한 차량 전체 상태 진단 포맷 모델에 의해 그 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 학습한다.
이에 따라 이러한 학습에 따라 위험하다고 진단이 된 위험도인 경우, 위험 경보 메시지를 발생해서 미리 설정된 통신 반경 내에 인접한 차량 또는 인프라스트럭쳐로 전송한다.
따라서, 사고 위험성이 높은 차량을 주변 차량이 빠르게 감지하게 한다.
이를 통해 사고 또는 고장이 감지된 경우 주변 차량과 인프라스트럭쳐에게 위험을 알려 연속된 사고를 방지한다.
* 도면의 주요 부분에 대한 부호의 설명 *
100 : OBD

Claims (5)

  1. OBD에 따른 자율주행차량의 부품 또는 차량의 전체 상태를 자가진단하는 자율주행차량을 위한 자가진단 방법에 있어서,
    차량 부품 간의 연관성에 따라 입력 센서 정보의 수와 출력부품의 수에 따른 동적의 개수로써 정한 히든 레이어에 의해 역-전파로써 된 차량 부품 진단 포맷을 설정 등록하는 제 1 단계;
    차량의 센서 정보를 입력받아 등록하는 제 2 단계; 및
    상기 차량 부품 진단 포맷에 따라 상기 차량의 센서 정보를 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론하는 제 3 단계를 포함하는 것을 특징으로 하는 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법.
  2. 제 1 항에 있어서,
    상기 차량 부품 진단 포맷은
    하기의 [식 5]에 따라 된 것을 특징으로 하는 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법.
    [식 5]
    NET h1j = ∑xiWij(i = 0 ~ n까지), h1j = max(0, NET h1j)
    NET yk = ∑hmiZik(i = 1 ~ l까지), yk = 1/1+e-NET yk
    여기에서, xi는 차량의 센서 정보의 i번째 입력 노드의 값, Wij는 i번째 입력 노드와 j번째 히든 노드 사이의 연결 강도, hmi는 상기 히든 레이어의 개수에 대응하여 정한 순서의 히든 레이어의 값, Zik는 i번째 입력 노드와 k번째 히든 레이어 사이의 연결 강도, yk는 차량 부품과 소모품의 위험도
  3. 제 1 항에 있어서,
    상기 제 3 단계 후에,
    하기의 [식 6]에 따라 차량 부품 간의 연관성과 차량 부품의 위험도 간의 연관성에 따른 미리 설정된 계단함수에 의한 차량 전체 상태 진단 포맷을 설정 등록하는 제 4-1 단계; 및
    [식 6]
    NETn = ∑xiWin(i = 0 ~ g까지), f(NETn ){0(NET < 0) 1(NET≥0)
    여기에서, xi는 차량의 부품 정보의 i번째 입력 노드의 값, Win은 i번째 입력 노드와 n번째 입력 노드 사이의 연결 강도, g는 차량의 부품의 입력 정보 사용 조합의 개수에 대응하여 정한 값
    상기 차량 전체 상태 진단 포맷에 의해서 실시간으로 차량의 부품과 소모품의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 학습해서 차량의 전체 상태를 진단하는 제 4-2 단계를 포함하는 것을 특징으로 하는 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법.
  4. 제 1 항에 있어서,
    상기 제 1 단계는
    차량의 실시간 센서 정보 또는 미리 등록된 자동차 서비스 센터의 배치 센서 정보로부터 수집되어서 센서 정보의 입력을 받고, 상기 제 3 단계에 의한 위험도 추론의 동작을 클라우드를 기반으로 동작되도록 하는 것을 특징으로 하는 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법.
  5. 제 3 항에 있어서,
    상기 제 3 단계 후에,
    차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따라 차량 부품 간의 연관성에 의해서 차량 부품 진단 포맷을 모델링하여 차량 부품 진단 포맷 모델을 생성하는 제 4'-1 단계를 포함하고,
    상기 제 4-2 단계 후에,
    차량의 부품과 소모품의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도에 따른 차량 부품 간의 연관성에 의해서 차량 전체 상태 진단 포맷을 모델링하여 차량 전체 상태 진단 포맷 모델을 생성하는 제 4'-2 단계를 포함하고,
    차량 장치별로 대응하여 차량 부품 진단 포맷 모델과 차량 전체 상태 진단 포맷 모델을 제공하는 메인 클라우드 서버에 상기 차량 부품 진단 포맷 모델과 상기 차량 전체 상태 진단 포맷 모델을 전달하는 제 4'-3 단계;
    상기 메인 클라우드 서버로부터 차량 장치에 대응하여 자신의 차량 부품 진단 포맷 모델과 차량 전체 상태 진단 포맷 모델을 제공받는 제 4'-4 단계;
    상기 제 4'-4 단계에 의해 제공된 차량 부품 진단 포맷 모델에 의해 실시간으로 차량의 센서 정보를 학습해서 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 추론하는 제 4'-5 단계;
    상기 제 4'-4 단계에 의한 차량 전체 상태 진단 포맷 모델에 의해 상기 제 4'-5 단계에 의해 추론된 차량의 부품과 소모품에 대한 각각의 위험도와 결함 부품에 의한 다른 부품의 종속 관계에 따른 위험도를 학습하는 제 4'-6 단계; 및
    상기 제 4'-6 단계에 의한 학습에 따라 위험하다고 진단이 된 위험도인 경우 위험 경보 메시지를 발생해서 미리 설정된 통신 반경 내에 인접한 차량으로 전송하는 제 4'-7 단계를 포함하는 것을 특징으로 하는 딥 러닝을 기반으로 하는 자율주행차량을 위한 자가진단 방법.
KR1020180121902A 2018-10-12 2018-10-12 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템 KR102160140B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180121902A KR102160140B1 (ko) 2018-10-12 2018-10-12 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180121902A KR102160140B1 (ko) 2018-10-12 2018-10-12 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템

Publications (2)

Publication Number Publication Date
KR20200044225A true KR20200044225A (ko) 2020-04-29
KR102160140B1 KR102160140B1 (ko) 2020-09-25

Family

ID=70466404

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180121902A KR102160140B1 (ko) 2018-10-12 2018-10-12 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템

Country Status (1)

Country Link
KR (1) KR102160140B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113830097A (zh) * 2020-06-08 2021-12-24 丰田自动车株式会社 车辆、模型学习系统以及服务器
WO2022076402A1 (en) * 2020-10-09 2022-04-14 Nec Laboratories America, Inc Modular network based knowledge sharing for multiple entities
WO2022114750A1 (ko) * 2020-11-26 2022-06-02 (주)볼트마이크로 차량의 불량 예측 시스템 및 그 방법
WO2023249277A1 (ko) * 2022-06-20 2023-12-28 (주)부품디비 전기차 진단 및 예지 시스템

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476216B1 (ko) 2020-12-21 2022-12-13 주식회사 아이티텔레콤 Local MEC 기반 C-ITS 시스템
KR102476229B1 (ko) 2020-12-21 2022-12-14 주식회사 아이티텔레콤 Local MEC 기반 C-ITS 통신 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120107774A (ko) * 2011-03-22 2012-10-04 한국전자통신연구원 차량의 복합 고장을 예측하기 위한 장치 및 방법
KR101889049B1 (ko) * 2017-08-11 2018-08-21 (주)다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
KR20180110566A (ko) * 2017-03-29 2018-10-10 아이덴티파이 주식회사 인공지능 시스템을 이용하여 자동차 비정상신호를 감지하는 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120107774A (ko) * 2011-03-22 2012-10-04 한국전자통신연구원 차량의 복합 고장을 예측하기 위한 장치 및 방법
KR20180110566A (ko) * 2017-03-29 2018-10-10 아이덴티파이 주식회사 인공지능 시스템을 이용하여 자동차 비정상신호를 감지하는 방법
KR101889049B1 (ko) * 2017-08-11 2018-08-21 (주)다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113830097A (zh) * 2020-06-08 2021-12-24 丰田自动车株式会社 车辆、模型学习系统以及服务器
CN113830097B (zh) * 2020-06-08 2024-06-11 丰田自动车株式会社 车辆、模型学习系统以及服务器
WO2022076402A1 (en) * 2020-10-09 2022-04-14 Nec Laboratories America, Inc Modular network based knowledge sharing for multiple entities
WO2022114750A1 (ko) * 2020-11-26 2022-06-02 (주)볼트마이크로 차량의 불량 예측 시스템 및 그 방법
KR20220073171A (ko) * 2020-11-26 2022-06-03 (주)볼트마이크로 차량의 불량 예측 시스템 및 그 방법
WO2023249277A1 (ko) * 2022-06-20 2023-12-28 (주)부품디비 전기차 진단 및 예지 시스템

Also Published As

Publication number Publication date
KR102160140B1 (ko) 2020-09-25

Similar Documents

Publication Publication Date Title
KR102160140B1 (ko) 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템
CN108860165B (zh) 车辆辅助驾驶方法和系统
CN106647723B (zh) 一种基于车联网的车辆状况监测方法、系统及车辆
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
JP6544594B2 (ja) 情報処理システム、情報処理方法、プログラムおよび車両
US11868222B2 (en) System and method for integration testing
Ruta et al. A mobile knowledge-based system for on-board diagnostics and car driving assistance
JP6950481B2 (ja) 診断システム
WO2019142484A1 (ja) 故障診断支援装置
Suwatthikul et al. In-vehicle network level fault diagnostics using fuzzy inference systems
EP4318144A1 (en) Vehicle trouble diagnosis method and on-board diagnosis apparatus
JP2020096286A (ja) 判定装置、判定プログラム、判定方法及びニューラルネットワークモデルの生成方法
US20210327165A1 (en) Vehicle malfunction prediction system, monitoring device, vehicle malfunction prediction method, and vehicle malfunction prediction program
KR20200136217A (ko) 다중 정보 엔트로피의 비교를 통한 차량 내 외부 데이터 침입 탐지 장치 및 그 동작 방법
Cho et al. Autonomous driving system verification framework with FMI co-simulation based on OMG DDS
KR20220125689A (ko) 차량 구성 요소들의 작동 상태를 결정하기 위한 방법
Sutar et al. ECU diagnostics validator using CANUSB
US20130325203A1 (en) Methods and systems for monitoring a vehicle for faults
JP6833257B1 (ja) 情報処理方法、情報処理装置、及びプログラム
Camek et al. An automotive Side-View system based on Ethernet and IP
Kleberger et al. Towards designing secure in-vehicle network architectures using community detection algorithms
Sutar et al. Ecu health monitor using canusb
Varun et al. Automotive Ethernet in on-board diagnosis (Over IP) & in-vehicle networking
CN112046419B (zh) 控制车辆的方法和装置
Staicu et al. Communication and Verification for Radar Sensors in the Context of Driver Assistance Systems

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant