KR20210022427A - Ims 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법 - Google Patents

Ims 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법 Download PDF

Info

Publication number
KR20210022427A
KR20210022427A KR1020190101915A KR20190101915A KR20210022427A KR 20210022427 A KR20210022427 A KR 20210022427A KR 1020190101915 A KR1020190101915 A KR 1020190101915A KR 20190101915 A KR20190101915 A KR 20190101915A KR 20210022427 A KR20210022427 A KR 20210022427A
Authority
KR
South Korea
Prior art keywords
vehicle
fire
occupant
ember
vehicle interior
Prior art date
Application number
KR1020190101915A
Other languages
English (en)
Inventor
김현규
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190101915A priority Critical patent/KR20210022427A/ko
Priority to US16/557,980 priority patent/US20200017050A1/en
Publication of KR20210022427A publication Critical patent/KR20210022427A/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
    • B60W50/08—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
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/0153—Passenger detection systems using field detection presence sensors
    • B60R21/01534—Passenger detection systems using field detection presence sensors using electromagneticwaves, e.g. infrared
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/07—Fire prevention, containment or extinguishing specially adapted for particular objects or places in vehicles, e.g. in road vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R11/00—Arrangements for holding or mounting articles, not otherwise provided for
    • B60R11/02—Arrangements for holding or mounting articles, not otherwise provided for for radio sets, television sets, telephones, or the like; Arrangement of controls thereof
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/0153—Passenger detection systems using field detection presence sensors
    • B60R21/01538—Passenger detection systems using field detection presence sensors for image processing, e.g. cameras or sensor arrays
    • 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
    • B60W40/08—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
    • B60W40/09—Driving style or behaviour
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Transportation (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Emergency Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)

Abstract

본 발명은 IMS(Interior Monitoring Sensor) 기반으로 차량 실내 환경에서 차량 화재 원인 가능성이 있는 오브젝트를 인식할 수 있는 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법에 관한 것이다. 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 본 발명의 자율 주행 차량 및 서버 중 하나 이상이 인공지능(Artificial Intelligence) 모듈, 드론(Unmmanded Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(Virtual Reality, VR)장치, 5G서비스와 관련된 장치 등과 연계될 수 있다.

Description

IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법{Apparatus and Method for Notifying Fire Risk Factors in Indoor Environment of Vehicle Based on IMS}
본 발명은 IMS(Interior Monitoring Sensor) 기반으로 오브젝트(Object) 중 화재 요소와 위험 종류를 구분하여 사용자에게 화재 위험 요소를 사전 알림하는 장치 및 방법에 관한 것이다.
차량의 화재는 차량 탑승자의 안전을 위협하는 요소이며, 차량이 해마다 증가함에 따라 차량 화재의 발생도 함께 증가하고 있는 실정이다.
차량은 차량 사고 또는 차량 결함 발생 시 엔진 내부의 전기 장치, 연료 공급 장치 및 접화 장치 등에서 화재가 발생 할 수 있다. 이러한 화재는 초기에 진압되지 않을 경우 차량 전소, 탑승자의 사고, 주변 차량으로의 화재 번짐 등의 위험이 발생할 수 있다.
특히, 최근에는 자동차 산업의 발전으로 하이브리드 제동 시스템(Hybrid Brake System: HBS), 전자 제동(Brake-by-Wire: BbW), 전기기계식 제동(Electro-Mechanical Brake: EMB), 미끄럼 방지 시스템(Anti-lock Brake System: ABS), 차량 자세 안정 시스템(Electronic Stability Control: ESC), 전자 파킹 제동 장치(Electronic Parking Brake: EPB) 등과 같이 상시 전원을 공급받는 전기 장치 등의 사용의 증가하고 있다. 따라서, 이들 전기 장치의 자체 불량에 의한 엔진룸 내부의 자연 발화 가능성도 증가하고 있다. 통상, 이러한 차량 화재는 초기에 진압되어야 재산의 손실 및 인명의 손실을 방지할 수 있다.
현재, 출시되고 이는 대부분의 차량에는 자동소화장치가 구비되어 있지 않기 때문에 소수의 운전자들은 차량에 휴대용 소화기를 비치하여 화재 등의 응급상황에 대비하고 있는 실정이다.
그러나, 차량 화재 발생시에 운전자 및 승객이 직접 비치된 소화기를 이용하여 화재를 진화시켜야만 하는 불편함이 있어 화재 발생시 신속한 대처를 할 수 없다. 뿐만 아니라, 소화기를 별도로 비치시켜야만 하므로 소화기가 없을 때에는 진화작업을 하는데 매우 어려운 경우가 발생하였다.
이에 대한민국 등록특허공보 제10-0191957호(등록일자 1999.01.27)에는 차량의 화재 발생 시에 자동으로 화재 및 유독가스를 감지하여 진화시킬 수 있는 장치를 제공하고 있다.
도 1은 종래 기술에 따른 차량에 설치되어 있는 소화장치 구성을 나타낸 배치도이다.
도 1에서 도시하고 있는 것과 같이, 소화장치는 차량의 루프패널(roof panel)(10) 및 헤드라이닝(head lining)(20)에 장착되어 있는 루프레일(roof rail)(30) 근접부에 소화용 분말이 내장되는 분말 케이스(40)를 장착 시킨다.
상기 분말 케이스(40)의 배출구(42)에는 체크밸브(50)가 장착되어 지며, 이 체크밸브(50)는 분말케이스(40)의 근접부에 설치된 구동모터(55)에 의해 동작하여 배출구(42)를 개(開), 폐(閉) 시키게 된다. 또한 분말 케이스(40)의 근접부인 헤드라이닝(20) 표면에는 유독가스, 온도 및 실내 압력 등을 감지하는 화재감지센서(60)가 설치되어 화재 및 유독가스 발생시에 이를 감지하여 컴퓨터부(70)에 인가하게 된다.
상기 컴퓨터부(70)에서는 화재감지센서(60)로부터 인가된 신호를 받아 비교 분석한 다음 구동모터(55)를 제어하여 체크밸브(50)를 동작시키게 된다.
이와 같은 구성을 통해, 종래의 소화장치는 차량의 화재 시에 화재 감지센서가 즉각 감지하여 컴퓨터부(ECU)(70)에 신호를 전달하고 컴퓨터부(70)에서는 감지된 신호를 비교 검토하여 설정된 값이 이상일 경우 분말케이스의 체크 밸브를 오픈시켜 자동으로 소화용 분말이 차량 실내로 분사되게 하므로 신속하게 화재를 진화시킬 수 있는 효과가 있다.
그러나, 종래의 차량에 설치되는 소화장치는 차량 화재 후 화재 진압이 가능하지만 사전 예방이 불가능하다는 문제점이 있다. 즉, 차량 화재에 대한 사전 예방이 불가능하다.
또한, 종래의 차량에 설치되는 소화장치는 차량 화재 발생 전에 차량 화재 원인 가능성이 있는 오브젝트(Object)의 구분이 어렵다는 문제점이 있다. 따라서, 차량 화재 발생 전에 차량 화재 원인 가능성이 있는 오브젝트에 대해 탑승자에게 공유가 불가능하다.
또한, 종래의 차량에 설치되는 소화장치는 차량 화재 감지를 위한 추가적 화재 감지 센서가 필요하다. 따라서, 차량 내부에 화재 감지 센서를 추가로 설치해야 한다.
특히, 최근에 개발되고 있는 자율주행 차량의 경우는 탑승객이 운전에 집중하지 않는다. 즉, 탑승객은 차량 내부에서 다양한 업무나 게임 등을 수행할 수 있다. 따라서, 자율주행 차량은 차량에 화재가 발생하는 경우, 탑승객이 차량 화재를 빠르게 인지하는데 어려움이 있다. 즉, 자율주행 차량은 차량 화재에 매우 취약할 수 있다.
본 발명의 목적은 IMS(Interior Monitoring Sensor) 기반으로 차량 실내 환경에서 차량 화재 원인 가능성이 있는 오브젝트를 인식할 수 있는 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법을 제공하는 것이다.
또한 본 발명의 목적은 IMS 기반으로 차량 실내 환경에서 탑승자 행동을 인지할 수 있는 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법을 제공하는 것이다.
또한 본 발명의 목적은 차량 실내 환경에서 화재 발생 전 차량 화재 원인 가능성이 있는 오브젝트를 탑승자에게 사전 알림 서비스를 제공할 수 있는 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법을 제공하는 것이다.
또한 본 발명의 목적은 차량 실내 환경에서 차량 화재 원인 가능성이 있는 오브젝트와 탑승자의 행동에 따라 차량 화재 위험 등급을 결정할 수 있는 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법을 제공하는 것이다.
또한 본 발명의 목적은 차량 화재 위험 등급은 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 이용하여 탑승자에게 전달할 수 있는 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법을 제공하는 것이다.
또한 본 발명의 목적은 탑승자가 화재 위험 등급에 따라 적절한 대응이 가능하도록 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 IMS(Interior Monitoring Sensor) 기반으로 오브젝트(Object) 중 화재 요소와 위험 종류를 구분하고, 위험 예측 상황이 되면 대상 오브젝트 모니터링 및 억제 제어를 활성화 할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 발명은 IMS기반으로 차량 실내 환경에서 차량 화재 원인 가능성이 있는 오브젝트를 인식할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 IMS 기반으로 차량 실내 환경에서 탑승자 행동을 인지할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 차량 실내 환경에서 화재 원인 가능성이 있는 오브젝트를 탑승자에게 사전 알림 서비스를 제공할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 차량 실내 환경에서 차량 화재 원인 가능성이 있는 오브젝트와 탑승자의 행동에 따라 차량 화재 위험 등급을 결정할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 차량 화재 위험 등급을 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 이용하여 탑승자에게 전달할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 탑승자가 화재 위험 등급에 따라 적절한 대응이 가능하도록 할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치는 IMS(Interior Monitoring Sensor)에서 획득된 영상을 기반으로 차량 실내 환경을 모니터링 하는 모니터링부; 상기 차량 실내 환경에서 모니터링된 제1 오브젝트 중 오브젝트 학습 데이터를 기반으로 구분된 차량 화재 위험 원인 가능성이 있는 제2 오브젝트를 인식하는 오브젝트 인식부; 상기 차량 실내 환경에서 모니터링된 탑승자 행동을 인지하는 행동 인지부; 상기 제2 오브젝트 및 탑승자 행동을 조합하여 차량 화재의 위험 등급을 결정하는 등급 결정부; 및 상기 결정된 위험 등급을 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 통해 탑승자에게 알림 서비스로 전달하는 알림 처리부를 포함할 수 있다.
또한 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 방법은 모니터링부를 이용하여 IMS(Interior Monitoring Sensor)에서 획득된 영상을 기반으로 차량 실내 환경을 모니터링 하는 단계; 오브젝트 인식부를 이용하여 상기 차량 실내 환경에서 모니터링된 제1 오브젝트 중 오브젝트 학습 데이터를 기반으로 구분된 차량 화재 위험 원인 가능성이 있는 제2 오브젝트를 인식하는 단계; 행동 인지부를 이용하여 모니터링된 차량 실내 환경을 기반으로 탑승자 행동을 인지하는 단계; 등급 결정부를 이용하여 상기 제2 오브젝트 및 탑승자 행동을 조합하여 차량 화재의 위험 등급을 결정하는 단계; 및 알림 처리부를 이용하여 상기 결정된 위험 등급을 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 통해 탑승자에게 알림 서비스로 전달하는 단계를 포함할 수 있다.
본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 IMS(Interior Monitoring Sensor) 기반으로 차량 실내 환경에서 차량 화재 원인 가능성이 있는 오브젝트를 인식할 수 있다.
또한, 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 IMS 기반으로 차량 실내 환경에서 탑승자 행동을 인지할 수 있다.
또한, 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 차량 실내 환경에서 화재 발생 전 차량 화재 원인 가능성이 있는 Object를 탑승자에게 사전 알림 서비스를 제공할 수 있다.
또한, 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 차량 실내 환경에서 차량 화재 원인 가능성이 있는 Object와 탑승자의 행동에 따라 차량 화재 위험 등급을 결정할 수 있다.
또한, 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 차량 화재 위험 등급은 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 이용하여 탑승자에게 전달할 수 있다.
또한, 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법은 탑승자는 화재 위험 등급에 따라 적절한 대응이 가능하다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 종래 기술에 따른 차량에 설치되어 있는 소화장치 구성을 나타낸 배치도이다.
도 2는 본 발명의 실시예에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치(100)의 구성을 나타낸 블록도이다.
도 3은 도 2에서 IMS을 기반으로 실내 환경정보를 획득하는 과정을 나타낸 구성도이다.
도 4는 본 발명의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5은 본 발명의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸 블록도이다.
도 7은 본 발명의 실시예에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 방법을 설명하기 위한 흐름도이다.
도 8은 도 7에서 제2 오브젝트 및 차량 실내의 화재 여부를 인식하는 과정을 상세히 설명하기 위한 흐름도이다.
도 9는 도 7에서 차량 화재의 위험 등급을 결정하는 과정을 상세히 설명하기 위한 흐름도이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
이하에서 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.
이하에서는, 본 발명의 몇몇 실시예에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법을 설명하도록 한다.
도 2는 본 발명의 실시예에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치(100)의 구성을 나타낸 블록도이다. 도 2에 도시된 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치(100)는 일 실시예에 따른 것이고, 그 구성요소들이 도 2에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 구성요소가 부가, 변경 또는 삭제될 수 있다.
도 2에서 도시하고 있는 것과 같이, 본 발명의 화재 위험 요소 알림 장치(100)는 IMS(Interior Monitoring Sensor)(110), 모니터링부(120), 오브젝트 인식부(130), 행동 인지부(140), 저장부(150), 등급 결정부(160), 알림 처리부(170)를 포함할 수 있다.
IMS(110)는 차량 실내의 영상을 획득한다. 획득되는 영상은 적외선(Infrared Radiation: IR) 영상, 열 화상 영상을 포함할 수 있다. 이를 위해, 전하 결합 소자(CCD)를 이용하여 적외선 영상을 촬영하는 IR 카메라와, 열을 이용하여 온도로 표현되는 열 화상을 촬영하는 열화상 카메라를 포함할 수 있다.
도 3은 도 2에서 IMS을 기반으로 실내 환경정보를 획득하는 과정을 나타낸 구성도이다.
도 3에서 도시하고 있는 것과 같이, IMS(110)는 차량 실내에 설치되어 카메라(111a)(111b)를 이용하여 IR 영상 또는 열 화상 영상을 획득한다.
이때, 카메라(111a)(111b)는 영상을 촬영할 수 있는 측정 범위(112a)(112b)가 한정되어 있음에 따라, 서로 다른 각도를 촬영하는 적어도 하나 이상의 개수를 가질 수 있다. 그리고 카메라(111a)(111b)는 차량 실내에 있는 탑승자(80)는 물론, 차량 실내에 설치된 전자기기 및 차량 실내에 놓여져 있는 라이터, 성냥, 담배 등을 포함하는 물건(90) 등의 IR 영상 또는 열 화상 영상을 촬영할 수 있다.
모니터링부(120)는 IMS(110)에서 획득된 IR 영상 및 열 화상 영상을 기반으로 차량 실내 환경을 모니터링 한다. 차량 실내 환경은 차량 실내에 설치된 전자기기, 차량 실내에 놓여져 있는 물건 등을 포함하는 제1 오브젝트와, 차량에 탑승하고 있는 탑승자의 움직임, 동작, 제스처 등을 포함하는 탑승자 행동을 포함할 수 있다. 또한, 차량 실내 환경은 차량 실내의 열 화상 이미지를 포함하는 열 화상 맵을 포함할 수 있다.
오브젝트 인식부(130)는 모니터링부(120)에서 모니터링된 제1 오브젝트 중 화재요소와 위험종류를 구분하여 차량 화재 위험 원인 가능성이 있는 제2 오브젝트를 인식한다. 차량 화재 위험 원인 가능성이 있는 제2 오브젝트는 네비게이션, 블랙박스 등과 같이 차량 실내에 설치된 전자기기, 라이터, 성냥, 담배 등을 포함할 수 있다.
또한, 오브젝트 인식부(130)는 모니터링부(120)에서 모니터링된 열 화상 맵을 중심으로 열 화상의 온도를 측정하여 차량 실내의 화재 여부를 인식한다.
이때, 오브젝트 인식부(130)는 저장부(150)에 저장하고 있는 오브젝트 학습 데이터 및 열화상 맵 학습 데이터를 기반으로 제2 오브젝트 및 화재 여부를 인식할 수 있다. 오브젝트 학습 데이터 및 열화상 맵 학습 데이터는 DNN(Deep Neural Networks) 트레이닝을 이용하여 오브젝트 모델로 학습될 수 있다.
행동 인지부(140)는 모니터링부(120)에서 모니터링된 탑승자 행동을 인지하여, 제2 오브젝트 및 열 화상 맵과 연계하여 서로 간의 관계여부를 판단한다. 예로서, 탑승자의 행동이 제2 오브젝트를 이동시키거나, 열 화상 맵의 영역을 제거하려는 경우, 행동 인지부(140)는 서로 간의 관계가 있는 것으로 판단한다.
등급 결정부(160)는 오브젝트 인식부(130)에서 인식되는 제2 오브젝트 및 화재 여부와, 행동 인지부(140)에서 인지되는 탑승자 행동을 조합하여 차량 화재의 위험 등급을 결정한다. 위험 등급은 안전, 보통, 경고, 위험의 단계로 구분할 수 있다. 차량 위험 등급은 이에 한정되는 것은 아니며, 구분되는 등급의 단계도 변경이 가능하다.
알림 처리부(170)는 등급 결정부(160)에서 결정된 위험 등급을 차량 내 시각, 청각 정보가 전달 가능한 디스플레이, 스피커 등을 포함하는 디바이스를 통해 탑승자에게 알림 서비스로 전달한다.
탑승자는 디바이스를 통해 전달된 차량 화재 위험 등급에 따라 적절하게 대응할 수 있다.
한편, 화재 위험 요소 알림 장치(100)가 설치되는 차량은 자율주행 차량일 수 있다. 자율주행 차량은 임의의 인공지능(Artificial Intelligence; AI) 모듈, 드론(drone), 무인항공기(Unmmaned Aerial Vehicle), 로봇, 증강현실(Augmented Reality; AR) 모듈, 가상현실(Virtual reality; VR) 모듈, 5G(5th Generation) 이동통신 장치 등과 연계될 수 있다.
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
자율주행은 스스로 주행하는 기술을 의미하며, 자율주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율주행 차량은 자율주행 기능을 가진 로봇으로 볼 수 있다.
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 9는 본 발명의 일 실시 예에 따른 AI 장치를 나타낸 블록도이고, 도 10은 본 발명의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 9 및 도 10을 참조하여 설명하면, AI 장치(1000)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 9를 참조하면, AI 장치(1000)는 통신부(1100), 입력부(1200), 러닝 프로세서(1300), 센싱부(1400), 출력부(1500), 메모리(1700) 및 프로세서(1800) 등을 포함할 수 있다.
통신부(1100)는 유무선 통신 기술을 이용하여 다른 AI 장치나 AI 서버 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(1100)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(1100)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(1200)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(1200)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(1200)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(1200)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(1800) 또는 러닝 프로세서(1300)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(1300)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(1300)는 AI 서버(2000)의 러닝 프로세서(2400)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(1300)는 AI 장치(1000)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(1300)는 메모리(1700), AI 장치(1000)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(1400)는 다양한 센서들을 이용하여 AI 장치(1000) 내부 정보, AI 장치(1000)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(1400)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(1500)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(1500)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(1700)는 AI 장치(1000)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(1700)는 입력부(1200)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(1800)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(1000)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(1800)는 AI 장치(1000)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(1800)는 러닝 프로세서(1300) 또는 메모리(1700)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(1000)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(1800)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(1800)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(1800)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(1300)에 의해 학습된 것이나, AI 서버(2000)의 러닝 프로세서(2400)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(1800)는 AI 장치(1000)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(1700) 또는 러닝 프로세서(1300)에 저장하거나, AI 서버(2000) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(1800)는 메모리(1700)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(1000)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(1800)는 상기 응용 프로그램의 구동을 위하여, AI 장치(1000)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
그리고 도 9 및 도 10을 참조하여 설명하면, AI 서버(2000)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(2000)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(2000)는 AI 장치(1000)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(2000)는 통신부(2100), 메모리(2300), 러닝 프로세서(2400) 및 프로세서(2600) 등을 포함할 수 있다.
통신부(2100)는 AI 장치(1000) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(2300)는 모델 저장부(2310)를 포함할 수 있다. 모델 저장부(2310)는 러닝 프로세서(2400)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(2400)는 학습 데이터를 이용하여 인공 신경망(2310a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(2000)에 탑재된 상태에서 이용되거나, AI 장치(1000) 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(2300)에 저장될 수 있다.
프로세서(2600)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 11은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸 구성도이다.
도 11을 참조하면, AI 시스템은 AI 서버(2000), 로봇(1000a), 자율주행 차량(1000b), XR 장치(1000c), 스마트폰(1000d) 또는 가전(1000e) 중에서 적어도 하나 이상이 클라우드 네트워크와 연결된다. 여기서, AI 기술이 적용된 로봇(1000a), 자율주행 차량(1000b), XR 장치(1000c), 스마트폰(1000d) 또는 가전(1000e) 등을 AI 장치(1000a 내지 1000e)라 칭할 수 있다.
클라우드 네트워크는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템을 구성하는 각 장치들(1000a 내지 1000e, 2000)은 클라우드 네트워크를 통해 서로 연결될 수 있다. 특히, 각 장치들(1000a 내지 1000e, 2000)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(2000)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(2000)는 AI 시스템을 구성하는 AI 장치들인 로봇(1000a), 자율주행 차량(1000b), XR 장치(1000c), 스마트폰(1000d) 또는 가전(1000e) 중에서 적어도 하나 이상과 클라우드 네트워크를 통하여 연결되고, 연결된 AI 장치들(1000a 내지 1000e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(2000)는 AI 장치(1000a 내지 1000e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(1000a 내지 1000e)에 전송할 수 있다.
이때, AI 서버(2000)는 AI 장치(1000a 내지 1000e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(1000a 내지 1000e)로 전송할 수 있다.
또는, AI 장치(1000a 내지 1000e)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(1000a 내지 1000e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(1000a 내지 1000e)는 도 9에 도시된 AI 장치(1000)의 구체적인 실시 예로 볼 수 있다.
한편, 로봇(1000a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(1000a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(1000a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(1000a)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(1000a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(1000a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(1000a)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(1000a)에서 직접 학습되거나, AI 서버(2000) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(1000a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(2000) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(1000a)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(1000a)을 주행시킬 수 있다.
맵 데이터에는 로봇(1000a)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(1000a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(1000a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
한편, 자율주행 차량(1000b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율주행 차량(1000b)은 자율주행 기능을 제어하기 위한 자율주행 제어 모듈을 포함할 수 있고, 자율주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율주행 제어 모듈은 자율주행 차량(1000b)의 구성으로써 내부에 포함될 수도 있지만, 자율주행 차량(1000b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율주행 차량(1000b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율주행 차량(1000b)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, 자율주행 차량(1000b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(1000a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율주행 차량(1000b)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.
자율주행 차량(1000b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율주행 차량(1000b)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 자율주행 차량(1000b)에서 직접 학습되거나, AI 서버(2000) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율주행 차량(1000b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(2000) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율주행 차량(1000b)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 자율주행 차량(1000b)을 주행시킬 수 있다.
맵 데이터에는 자율주행 차량(1000b)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, 자율주행 차량(1000b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
한편, XR 장치(1000c)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(1000c)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(1000c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(1000c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(1000c)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(1000c)에서 직접 학습되거나, AI 서버(2000) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(1000c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(2000) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
한편, 로봇(1000a)은 AI 기술 및 자율주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율주행 기술이 적용된 로봇(1000a)은 자율주행 기능을 가진 로봇 자체나, 자율주행 차량(1000b)과 상호작용하는 로봇(1000a) 등을 의미할 수 있다.
자율주행 기능을 가진 로봇(1000a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율주행 기능을 가진 로봇(1000a) 및 자율주행 차량(1000b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율주행 기능을 가진 로봇(1000a) 및 자율주행 차량(1000b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율주행 차량(1000b)과 상호작용하는 로봇(1000a)은 자율주행 차량(1000b)과 별개로 존재하면서, 자율주행 차량(1000b)의 내부 또는 외부에서 자율주행 기능에 연계되거나, 자율주행 차량(1000b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율주행 차량(1000b)과 상호작용하는 로봇(1000a)은 자율주행 차량(1000b)을 대신하여 센서 정보를 획득하여 자율주행 차량(1000b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율주행 차량(1000b)에 제공함으로써, 자율주행 차량(1000b)의 자율주행 기능을 제어하거나 보조할 수 있다.
또는, 자율주행 차량(1000b)과 상호작용하는 로봇(1000a)은 자율주행 차량(1000b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율주행 차량(1000b)의 기능을 제어할 수 있다. 예컨대, 로봇(1000a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율주행 차량(1000b)의 자율주행 기능을 활성화하거나 자율주행 차량(1000b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(1000a)이 제어하는 자율주행 차량(1000b)의 기능에는 단순히 자율주행 기능뿐만 아니라, 자율주행 차량(1000b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율주행 차량(1000b)과 상호작용하는 로봇(1000a)은 자율주행 차량(1000b)의 외부에서 자율주행 차량(1000b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(1000a)은 스마트 신호등과 같이 자율주행 차량(1000b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율주행 차량(1000b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
한편, 로봇(1000a)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(1000a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(1000a)은 XR 장치(1000c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(1000a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(1000a) 또는 XR 장치(1000c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(1000c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(1000a)은 XR 장치(1000c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(1000c) 등의 외부 장치를 통해 원격으로 연동된 로봇(1000a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(1000a)의 자율주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
한편, 자율주행 차량(1000b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율주행 차량(1000b)은 XR 영상을 제공하는 수단을 구비한 자율주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율주행 차량(1000b)은 XR 장치(1000c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율주행 차량(1000b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율주행 차량(1000b)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 자율주행 차량(1000b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율주행 차량(1000b)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 자율주행 차량(1000b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율주행 차량(1000b) 또는 XR 장치(1000c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(1000c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율주행 차량(1000b)은 XR 장치(1000c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
이와 같이 구성된 본 발명에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치의 동작을 첨부한 도면을 참조하여 상세히 설명하면 다음과 같다. 도 2와 동일한 참조부호는 동일한 기능을 수행하는 동일한 부재를 지칭한다.
도 7은 본 발명의 실시예에 따른 IMS 기반의 차량 실내 환경에서 화재 위험 요소 알림 방법을 설명하기 위한 흐름도이다.
도 7을 참조하여 설명하면, 화재 위험 요소 알림 장치(100)는 모니터링부(120)를 이용하여 IMS(110)에서 획득한 차량 실내 환경을 모니터링 한다(S100).
이때, 획득되는 영상은 적외선(Infrared Radiation: IR) 영상, 열 화상 영상을 포함할 수 있다. 그리고 모니터링되는 차량 실내 환경은 차량 실내에 설치된 전자기기, 차량 실내에 놓여져 있는 물건 등을 포함하는 제1 오브젝트와, 차량에 탑승하고 있는 탑승자의 움직임, 동작, 제스처 등을 포함하는 탑승자 행동을 포함할 수 있다. 또한, 차량 실내 환경은 차량 실내의 열 화상 이미지를 포함하는 열 화상 맵을 포함할 수 있다.
이어서, 화재 위험 요소 알림 장치(100)는 오브젝트 인식부(130)를 이용하여 상기 모니터링부(120)에서 모니터링된 차량 실내 환경을 기반으로 차량 화재 위험 원인 가능성이 있는 제2 오브젝트를 인식한다(S200). 즉, 오브젝트 인식부(130)는 제1 오브젝트 중 화재요소와 위험종류를 구분하여 차량 화재 위험 원인 가능성이 있는 제2 오브젝트를 인식한다. 또한, 오브젝트 인식부(130)는 열 화상 맵을 중심으로 열 화상의 온도를 측정하여 차량 실내의 화재 여부를 인식할 수 있다.
이때, 제2 오브젝트는 네비게이션, 블랙박스 등과 같이 차량 실내에 설치된 전자기기, 라이터, 성냥, 담배 등을 포함할 수 있다.
또한, 오브젝트 인식부(130)는 저장부(150)에 저장하고 있는 오브젝트 학습 데이터 및 열화상 맵 학습 데이터를 기반으로 제2 오브젝트 및 화재 여부를 인식할 수 있다. 오브젝트 학습 데이터 및 열화상 맵 학습 데이터는 DNN(Deep Neural Networks) 트레이닝을 이용하여 오브젝트 모델로 학습될 수 있다.
제2 오브젝트 및 차량 실내의 화재 여부를 인식하는 S200 단계는 도 8을 참조하여 아래에서 좀 더 상세히 설명하도록 한다.
이어서, 화재 위험 요소 알림 장치(100)는 행동 인지부(140)를 이용하여 모니터링된 차량 실내 환경을 기반으로 탑승자 행동을 인지하여, 제2 오브젝트와 연계하여 탑승자 행동과 제2 오브젝트 간의 관계여부를 판단한다(S400). 이때, 행동 인지부(140)는 열 화상 맵과 연계하여 탑승자 행동과 열 화상 맵 간의 관계여부를 판단할 수 있다.
예로서, 탑승자의 행동이 제2 오브젝트를 이동시키거나, 열 화상 맵의 영역을 제거하려는 경우, 행동 인지부(140)는 서로 간의 관계가 있는 것으로 판단한다.
그리고 화재 위험 요소 알림 장치(100)는 등급 결정부(160)를 이용하여 오브젝트 인식부(130)에서 인식되는 제2 오브젝트 및 화재 여부와, 행동 인지부(140)에서 인지되는 탑승자 행동을 조합하여 차량 화재의 위험 등급을 결정한다(S400). 이때, 위험 등급은 안전, 보통, 경고, 위험의 단계로 구분할 수 있다.
차량 화재의 위험 등급을 결정하는 S400 단계는 도 9를 참조하여 아래에서 좀 더 상세히 설명하도록 한다.
이어서, 화재 위험 요소 알림 장치(100)는 알림 처리부(170)를 이용하여 등급 결정부(160)에서 결정된 위험 등급을 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 통해 탑승자에게 알림 서비스로 전달할 수 있다(S500). 이때, 디바이스는 시각 정보가 전달 가능한 디스플레이와, 청각 정보가 전달 가능한 스피커를 포함할 수 있다.
이에 따라, 탑승자는 디바이스를 통해 전달된 차량 화재 위험 등급에 따라 적절하게 대응할 수 있다.
도 8은 도 7에서 제2 오브젝트 및 차량 실내의 화재 여부를 인식하는 과정을 상세히 설명하기 위한 흐름도이다.
도 8을 참조하여 설명하면, 오브젝트 인식부(130)는 모니터링부(120)에서 모니터링된 차량 실내의 IR 영상 정보를 이용하여 차량 실내에 설치된 전자기기, 차량 실내에 놓여져 있는 물건 등을 포함하는 제1 오브젝트를 획득한다(S201).
오브젝트 인식부(130)는 획득된 제1 오브젝트를 이용하여 저장부(150)에 저장하고 있는 오브젝트 학습 데이터와 비교하여 차량 화재 위험 요소에 해당되는 제2 오브젝트를 추론한다(S202). 제2 오브젝트는 미리 저장하고 있는 차량 실내의 화재 위험 요소 오브젝트 모델에 해당될 수 있다. 예로서, 제2 오브젝트는 네비게이션, 블랙박스 등과 같이 차량 실내에 설치된 전자기기, 라이터, 성냥, 담배 등을 포함할 수 있다.
상기 제2 오브젝트 추론결과(S201), 제2 오브젝트가 존재하지 않으면(S203), 차량 실내에는 화재 위험 요소에 해당되는 제2 오브젝트가 없는 것으로 인식한다(S207).
한편, 상기 제2 오브젝트 추론결과(S201), 제2 오브젝트가 존재하면(S203), 오브젝트 인식부(130)는 모니터링부(120)에서 모니터링된 차량 실내의 열 화상 영상 정보를 이용하여 차량 실내의 열 화상 영상 정보를 획득한다(S204). 이때, 열 화상 영상 정보는 열 화상 맵을 포함할 수 있다.
이어서, 오브젝트 인식부(130)는 획득된 열 화상 영상 정보를 이용하여 저장부(150)에 저장하고 있는 열 화상 맵 학습 데이터와 비교하여 차량 실내의 열 화상을 추론한다(S205). 예로서, 열 화상 맵은 제2 오브젝트 주변에서 발생되는 열 화상 이미지를 포함할 수 있다.
오브젝트 인식부(130)는 추론된 열 화상의 온도를 측정하여, 측정되는 온도가 급격하게 상승되는 부분이 있는지 검출한다(S206). 이때, 온도의 급격한 상승은 내화 성능 시험이나 방화 성능 시험에서 가열로 내부의 분위기 온도의 시간 경과를 규정한 표준 곡선을 기준으로 평가된다. 즉, 표준 화재 온도 곡선을 기준으로 온도의 상승 곡선이 표준 화재 온도 곡선을 나타내면 온도가 급격하게 상승하는 것으로 판단할 수 있다.
상기 온도 상승의 검출결과(S206), 급격한 온도 상승이 없으면, 즉, 표준 화재 온도 곡선을 나타내지 않으면, 차량 실내에는 화재 위험 요소에 해당되는 제2 오브젝트가 없는 것으로 인식할 수 있다(S207).
한편, 상기 온도 상승의 검출결과(S206), 급격한 온도 상승이 있으면, 즉, 표준 화재 온도 곡선을 나타내면, 차량 실내에는 화재 위험 요소에 해당되는 제2 오브젝트가 있는 것으로 인식할 수 있다(S207).
도 9는 도 7에서 차량 화재의 위험 등급을 결정하는 과정을 상세히 설명하기 위한 흐름도이다.
도 9를 참조하여 설명하면, 등급 결정부(160)는 오브젝트 인식부(130)에서 제2 오브젝트가 인식되었는지 판단(제1 판단)한다(S401).
상기 제1 판단결과(S401), 제2 오브젝트가 인식되지 않은 것, 즉 제2 오브젝트가 없는 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 안전으로 결정할 수 있다(S404).
한편, 상기 제1 판단결과(S401), 오브젝트 인식부(130)에서 제2 오브젝트가 인식되었는지, 즉 제2 오브젝트가 있는 것으로 판단되면, 행동 인지부(140)는 제2 오브젝트와 관계되는 제1 탑승자 행동이 있는지 판단(제2 판단)한다(S403). 이때, 제1 탑승자 행동은 화재 위험 요소인 제2 오브젝트의 사전 화재 예방에 대응하려는 행동일 수 있다. 예로서, 제1 탑승자 행동은 제2 오브젝트를 이동시키거나, 열 화상 맵의 영역을 제거하려는 행동을 포함할 수 있다.
상기 제2 판단결과(S403), 제1 탑승자 행동이 없는 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 보통으로 결정할 수 있다(S405).
한편, 제2 판단결과(S403), 제1 탑승자의 행동이 있는 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 안전으로 결정할 수 있다(S404).
추가로 제1 판단결과(S401), 제2 오브젝트가 인식된 것, 즉 제2 오브젝트가 있는 것으로 판단되면, 오브젝트 인식부(130)는 모니터링부(120)에서 모니터링된 차량 실내 환경에서 제2 오브젝트에 불씨가 존재하는지 검출(제1 검출)한다(S409).
상기 불씨 제1 검출결과(S402), 제2 오브젝트에 불씨가 존재하지 않으면, 등급 결정부(160)는 차량의 화재 등급을 안전으로 결정할 수 있다(S404). 이때, 불씨 존재여부에 따라 설정되는 차량의 화재 등급보다 상기 탑승자 행동을 판단하는 제2 판단(S403)에 따라 설정되는 차량의 화재 등급을 우선하여 설정할 수 있다. 즉, 제2 오브젝트에 불씨가 존재하지 않더라도 탑승자 행동이 없는 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 보통으로 결정할 수 있다. 그러나 이에 한정되는 것은 아니며, 그 우선순위는 변경될 수 있다.
한편, 상기 불씨 제1 검출결과(S402), 제2 오브젝트에 불씨가 존재하면, 행동 인지부(140)는 제2 오브젝트의 불씨와 관계되는 제2 탑승자 행동이 있는지 판단(제3 판단)한다(S406). 이때, 제2 탑승자 행동은 화재 위험 요소인 제2 오브젝트의 불씨를 제거하려는 행동일 수 있다. 예로서, 제2 탑승자 행동은 제2 오브젝트의 불씨를 끄기 위해 불씨를 손이나 물건 등으로 덮거나 치는 행동, 또는 물이나 음료, 소화기 등을 이용하여 불씨를 제거하기 위한 행동을 포함할 수 있다.
상기 제3 판단결과(S406), 제2 탑승자 행동이 없는 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 경고로 결정할 수 있다(S412).
한편, 상기 제3 판단결과(S406), 제2 탑승자 행동이 있는 것으로 판단되면, 제2 오브젝트의 불씨가 여전히 존재하는지 판단(제4 판단)한다(S409).
그리고 제4 판단결과(S409), 제2 오브젝트의 불씨가 존재하지 않는 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 안전으로 결정할 수 있다(S404).
추가로 상기 불씨 제1 검출결과(S402), 제2 오브젝트에 불씨가 존재하면, 오브젝트 인식부(130)는 모니터링부(120)에서 모니터링된 차량 실내 환경에서 제2 오브젝트의 불씨 크기를 측정한다(S407). 이때, 불씨의 크기는 제2 오브젝트를 중심으로 상하부 및 좌우로 위치하는 불씨의 면적 크기일 수 있다.
그리고 오브젝트 인식부(130)는 제2 오브젝트의 불씨 지속 시간을 측정한다(S408). 제2 오브젝트의 불씨 지속 시간의 측정은 정의되어 있는 기준 시간 동안 측정할 수 있다. 이때, 기준 시간은 3초 이내인 것이 바람직하다. 이처럼, 제2 오브젝트의 불씨 지속 시간을 측정하는 것은 제2 오브젝트에 갑자기 밝은 빛이 순간적으로 반사되는 경우, 이를 불씨로 잘못 판단하는 것을 방지할 수 있다.
상기 불씨 지속 시간 동안 불씨 크기를 측정한 결과(S408), 제2 오브젝트의 불씨가 여전히 존재하는지 판단(제4 판단)한다(S409).
그리고 제4 판단결과(S409), 제2 오브젝트의 불씨가 존재하지 않는 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 안전으로 결정 할 수 있다(S404). 이때, 불씨 지속 시간 동안 측정한 결과(S408)를 통해 설정되는 차량의 화재 등급보다 상기 탑승자 행동을 판단하는 제3 판단(S406)에 따라 설정되는 차량의 화재 등급을 우선하여 설정할 수 있다. 즉, 제2 오브젝트에 불씨가 존재하는 경우 탑승자 행동이 없는 것으로 판단되면, 제2 오브젝트의 불씨 크기 및 지속시간과 상관없이 등급 결정부(160)는 차량의 화재 등급을 경고로 결정할 수 있다. 그러나 이에 한정되는 것은 아니며, 그 우선순위는 변경될 수 있다.
한편, 제4 판단결과(S409), 제2 오브젝트의 불씨가 여전히 존재하는 것으로 판단되면, 제2 오브젝트의 불씨가 제2 오브젝트의 주변으로 옮겨졌는지를 판단(제5 판단)한다(S410). 이때, 제5 판단은 오브젝트 인식부(130)를 통해 측정되는 제2 오브젝트의 불씨 크기로 판단할 수 있다. 예로서, 불씨의 크기가 제2 오브젝트를 중심으로 기준 범위를 벗어나면 제2 오브젝트의 주변으로 옮겨졌다고 판단할 수 있다. 이때 기준 범위는 오브젝트를 중심으로 상하부 및 좌우로 위치되는 불씨의 면적 크기가 오브젝트 크기의 1.5배로 정의할 수 있다.
상기 제5 판단결과(S410), 제2 오브젝트의 불씨가 제2 오브젝트의 주변으로 옮겨진 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 위험으로 결정할 수 있다(S411).
한편, 상기 제5 판단결과(S410), 제2 오브젝트의 불씨가 제2 오브젝트의 주변으로 옮겨지지 않은 것으로 판단되면, 등급 결정부(160)는 차량의 화재 등급을 경고로 결정할 수 있다(S412).
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
100: 화재 위험 요소 알림 장치 110: IMS
120: 모니터링부 130: 오브젝트 인식부
140: 행동 인지부 150: 저장부
160: 등급 결정부 170: 알림 처리부

Claims (20)

  1. IMS(Interior Monitoring Sensor)에서 획득된 영상을 기반으로 차량 실내 환경을 모니터링 하는 모니터링부;
    상기 차량 실내 환경에서 모니터링된 제1 오브젝트 중 오브젝트 학습 데이터를 기반으로 구분된 차량 화재 위험 원인 가능성이 있는 제2 오브젝트를 인식하는 오브젝트 인식부;
    상기 차량 실내 환경에서 모니터링된 탑승자 행동을 인지하는 행동 인지부;
    상기 제2 오브젝트 및 탑승자 행동을 조합하여 차량 화재의 위험 등급을 결정하는 등급 결정부; 및
    상기 결정된 위험 등급을 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 통해 탑승자에게 알림 서비스로 전달하는 알림 처리부를 포함하는 화재 위험 요소 알림 장치.
  2. 제1 항에 있어서,
    상기 오브젝트 인식부는
    상기 차량 실내 환경에서 모니터링된 열 화상 맵을 중심으로 열 화상의 온도를 측정하는 화재 위험 요소 알림 장치.
  3. 제2 항에 있어서,
    상기 행동 인지부에서 인지하는 상기 탑승자 행동은
    상기 제2 오브젝트 및 열 화상 맵과 연계하여 서로 간의 관계여부를 판단하는 화재 위험 요소 알림 장치.
  4. 제1 항에 있어서,
    상기 영상은 IR 영상 및 열 화상 영상을 포함하는 화재 위험 요소 알림 장치.
  5. 제1 항에 있어서,
    상기 차량 실내 환경은
    차량 실내에 설치된 전자기기, 차량 실내에 놓여져 있는 물건을 포함하는 제1 오브젝트, 차량에 탑승하고 있는 탑승자의 움직임, 동작, 제스처를 포함하는 탑승자 행동, 및 차량 실내의 열 화상 이미지를 포함하는 열 화상 맵을 포함하는 화재 위험 요소 알림 장치.
  6. 모니터링부를 이용하여 IMS(Interior Monitoring Sensor)에서 획득된 영상을 기반으로 차량 실내 환경을 모니터링 하는 단계;
    오브젝트 인식부를 이용하여 상기 차량 실내 환경에서 모니터링된 제1 오브젝트 중 오브젝트 학습 데이터를 기반으로 구분된 차량 화재 위험 원인 가능성이 있는 제2 오브젝트를 인식하는 단계;
    행동 인지부를 이용하여 모니터링된 차량 실내 환경을 기반으로 탑승자 행동을 인지하는 단계;
    등급 결정부를 이용하여 상기 제2 오브젝트 및 탑승자 행동을 조합하여 차량 화재의 위험 등급을 결정하는 단계; 및
    알림 처리부를 이용하여 상기 결정된 위험 등급을 차량 내 시각, 청각 정보가 전달 가능한 디바이스를 통해 탑승자에게 알림 서비스로 전달하는 단계를 포함하는 화재 위험 요소 알림 방법.
  7. 제6 항에 있어서,
    상기 제2 오브젝트를 인식하는 단계는
    상기 모니터링된 차량 실내의 IR 영상 정보를 이용하여 차량 실내에 설치된 전자기기, 차량 실내에 놓여져 있는 물건을 포함하는 제1 오브젝트를 획득하는 단계;
    상기 제1 오브젝트를 이용하여 저장하고 있는 오브젝트 학습 데이터와 비교하여 차량 화재 위험 요소에 해당되는 제2 오브젝트를 추론하는 단계;
    상기 제2 오브젝트 추론결과, 제2 오브젝트가 존재하지 않으면, 차량 실내에 화재 위험 요소에 해당되는 제2 오브젝트가 없는 것으로 인식하는 단계; 및
    상기 제2 오브젝트 추론결과, 제2 오브젝트가 존재하면, 차량 실내에 화재 위험 요소에 해당되는 제2 오브젝트가 있는 것으로 인식하는 단계를 포함하는 화재 위험 요소 알림 방법.
  8. 제7 항에 있어서,
    상기 제2 오브젝트 추론결과, 제2 오브젝트가 존재하면, 모니터링된 차량 실내의 열 화상 영상 정보를 이용하여 차량 실내의 열 화상 영상 정보를 획득하는 단계;
    상기 열 화상 영상 정보를 이용하여 저장하고 있는 열 화상 맵 학습 데이터와 비교하여 차량 실내의 열 화상을 추론하는 단계;
    상기 추론된 열 화상의 온도를 측정하여, 측정되는 온도가 표준 화재 온도 곡선으로 상승되는지 검출하는 단계;
    상기 온도 상승의 검출결과, 표준 화재 온도 곡선을 나타내지 않으면, 차량 실내에 화재 위험 요소에 해당되는 제2 오브젝트가 없는 것으로 인식하는 단계; 및
    상기 온도 상승의 검출결과, 표준 화재 온도 곡선을 나타내면, 차량 실내에 화재 위험 요소에 해당되는 제2 오브젝트가 있는 것으로 인식하는 단계를 더 포함하는 화재 위험 요소 알림 방법.
  9. 제6 항에 있어서,
    상기 차량 화재의 위험 등급을 결정하는 단계는
    오브젝트 인식부에서 제2 오브젝트가 인식되었는지 판단하는 제1 판단단계;
    상기 제1 판단결과, 제2 오브젝트가 인식되지 않는 경우, 등급 결정부를 이용하여 차량의 화재 등급을 안전으로 결정하는 단계;
    상기 제1 판단결과, 제2 오브젝트가 인식되는 경우, 행동 인지부를 이용하여 상기 제2 오브젝트와 관계되는 제1 탑승자 행동이 있는지 판단하는 제2 판단단계;
    상기 제2 판단결과, 상기 제1 탑승자 행동이 없는 것으로 판단되면, 등급 결정부를 이용하여 차량의 화재 등급을 보통으로 결정하는 단계; 및
    상기 제2 판단결과, 상기 제1 탑승자의 행동이 있는 것으로 판단되면, 등급 결정부를 이용하여 차량의 화재 등급을 안전으로 결정하는 단계를 포함하는 화재 위험 요소 알림 방법.
  10. 제9 항에 있어서,
    상기 제1 탑승자 행동은 화재 위험 요소인 제2 오브젝트의 사전 화재 예방에 대응하려는 행동인 것을 포함하는 화재 위험 요소 알림 방법.
  11. 제9 항에 있어서,
    상기 제1 판단결과, 상기 제2 오브젝트가 인식되는 경우, 오브젝트 인식부를 이용하여 모니터링된 차량 실내 환경에서 상기 제2 오브젝트에 불씨가 존재하는지 검출하는 제1 검출단계;
    상기 불씨 제1 검출결과, 상기 제2 오브젝트에 불씨가 존재하지 않으면, 등급 결정부를 이용하여 차량의 화재 등급을 안전으로 결정하는 단계;
    상기 불씨 제1 검출결과, 상기 제2 오브젝트에 불씨가 존재하면, 행동 인지부를 이용하여 제2 오브젝트의 불씨와 관계되는 제2 탑승자 행동이 있는지 판단하는 제3 판단단계;
    상기 제3 판단결과, 상기 제2 탑승자 행동이 없는 것으로 판단되면, 등급 결정부를 이용하여 차량의 화재 등급을 경고로 결정하는 단계;
    상기 제3 판단결과, 상기 제2 탑승자 행동이 있는 것으로 판단되면, 상기 제2 오브젝트의 불씨가 여전히 존재하는지 판단하는 제4 판단단계;
    상기 제4 판단결과, 상기 제2 오브젝트의 불씨가 존재하지 않는 것으로 판단되면, 등급 결정부를 이용하여 차량의 화재 등급을 안전으로 결정하는 단계;
    상기 제4 판단결과, 상기 제2 오브젝트의 불씨가 여전히 존재하는 것으로 판단되면, 상기 제2 오브젝트의 불씨가 제2 오브젝트의 주변으로 옮겨졌는지를 판단하는 제5 판단단계;
    상기 제5 판단결과, 상기 제2 오브젝트의 불씨가 제2 오브젝트의 주변으로 옮겨진 것으로 판단되면, 등급 결정부를 이용하여 차량의 화재 등급을 위험으로 결정하는 단계; 및
    상기 제5 판단결과, 상기 제2 오브젝트의 불씨가 제2 오브젝트의 주변으로 옮겨지지 않은 것으로 판단되면, 등급 결정부를 이용하여 차량의 화재 등급을 경고로 결정하는 단계를 더 포함하는 화재 위험 요소 알림 방법.
  12. 제9 항에 있어서,
    상기 차량의 화재 등급은 상기 불씨 존재여부에 따라 설정되는 차량의 화재 등급보다 상기 탑승자 행동을 판단하는 제2 판단에 따라 설정되는 차량의 화재 등급을 우선하여 설정하는 화재 위험 요소 알림 방법.
  13. 제11 항에 있어서,
    상기 제2 탑승자 행동은
    화재 위험 요소인 제2 오브젝트의 불씨를 제거하려는 행동을 포함하는 화재 위험 요소 알림 방법.
  14. 제11 항에 있어서,
    상기 불씨 제1 검출결과, 상기 제2 오브젝트에 불씨가 존재하면, 오브젝트 인식부를 이용하여 모니터링된 차량 실내 환경에서 제2 오브젝트의 불씨 크기를 측정하는 단계;
    오브젝트 인식부를 이용하여 상기 제2 오브젝트의 불씨 지속 시간을 측정하는 단계; 및
    상기 불씨 지속 시간 동안 상기 불씨 크기를 측정한 결과, 상기 제4 판단단계를 수행하는 단계를 더 포함하는 화재 위험 요소 알림 방법.
  15. 제14 항에 있어서,
    상기 제2 오브젝트의 불씨가 존재하지 않는 경우, 상기 불씨 지속 시간 동안 측정한 결과를 통해 설정되는 차량의 화재 등급보다 상기 탑승자 행동을 판단하는 제3 판단에 따라 설정되는 차량의 화재 등급을 우선하여 설정하는 화재 위험 요소 알림 방법.
  16. 제11 항에 있어서,
    상기 제5 판단은 오브젝트 인식부를 통해 측정되는 상기 제2 오브젝트의 불씨 크기로 판단하는 화재 위험 요소 알림 방법.
  17. 제6 항에 있어서,
    상기 제2 오브젝트를 인식하는 단계는
    상기 차량 실내 환경에서 모니터링된 열 화상 맵을 중심으로 열 화상의 온도를 측정하는 단계를 포함하는 화재 위험 요소 알림 방법.
  18. 제17 항에 있어서,
    상기 탑승자 행동은 상기 제2 오브젝트 및 열 화상 맵과 연계하여 서로 간의 관계여부를 판단하는 화재 위험 요소 알림 방법.
  19. 제6 항에 있어서,
    상기 영상은 IR 영상 및 열 화상 영상을 포함하는 화재 위험 요소 알림 방법.
  20. 제6 항에 있어서,
    상기 차량 실내 환경은
    차량 실내에 설치된 전자기기, 차량 실내에 놓여져 있는 물건을 포함하는 제1 오브젝트, 차량에 탑승하고 있는 탑승자의 움직임, 동작, 제스처를 포함하는 탑승자 행동, 및 차량 실내의 열 화상 이미지를 포함하는 열 화상 맵을 포함하는 화재 위험 요소 알림 방법.
KR1020190101915A 2019-08-20 2019-08-20 Ims 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법 KR20210022427A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190101915A KR20210022427A (ko) 2019-08-20 2019-08-20 Ims 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법
US16/557,980 US20200017050A1 (en) 2019-08-20 2019-08-30 Ims-based fire risk factor notifying device and method in interior vehicle environment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190101915A KR20210022427A (ko) 2019-08-20 2019-08-20 Ims 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20210022427A true KR20210022427A (ko) 2021-03-03

Family

ID=69138683

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190101915A KR20210022427A (ko) 2019-08-20 2019-08-20 Ims 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법

Country Status (2)

Country Link
US (1) US20200017050A1 (ko)
KR (1) KR20210022427A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114534147A (zh) * 2022-03-02 2022-05-27 浙江和朴实业有限公司 一种落地ai人工智能自动高温追踪定位喷射巡检机器人
KR102450024B1 (ko) * 2022-03-25 2022-10-06 주식회사 일신앤아이에스 뉴럴 네트워크 기반의 건물 화재 예방 시스템

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11177970B2 (en) * 2019-10-15 2021-11-16 Roy E. Carpenter, IV Personalized video calls
CN113085867B (zh) * 2021-04-12 2022-11-08 恒大新能源汽车投资控股集团有限公司 车辆控制方法、系统及车辆
US11488461B1 (en) * 2021-06-07 2022-11-01 Toyota Motor North America, Inc. Identifying smoke within a vehicle and generating a response thereto
CN115203626B (zh) * 2022-08-04 2023-04-07 深圳市华创威实业有限公司 基于绝缘纤维套管的阻燃效果智能检测方法、装置、设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114534147A (zh) * 2022-03-02 2022-05-27 浙江和朴实业有限公司 一种落地ai人工智能自动高温追踪定位喷射巡检机器人
KR102450024B1 (ko) * 2022-03-25 2022-10-06 주식회사 일신앤아이에스 뉴럴 네트워크 기반의 건물 화재 예방 시스템

Also Published As

Publication number Publication date
US20200017050A1 (en) 2020-01-16

Similar Documents

Publication Publication Date Title
KR20210022427A (ko) Ims 기반의 차량 실내 환경에서 화재 위험 요소 알림 장치 및 방법
US20190351918A1 (en) Artificial intelligence apparatus for providing notification related to lane-change of vehicle and method for the same
US11538289B2 (en) Artificial intelligence device mounted on vehicle to perform self-diagnosis, and method for the same
US20210138654A1 (en) Robot and method for controlling the same
US11668485B2 (en) Artificial intelligence air conditioner and method for calibrating sensor data of air conditioner
US11138844B2 (en) Artificial intelligence apparatus and method for detecting theft and tracing IoT device using same
US11269328B2 (en) Method for entering mobile robot into moving walkway and mobile robot thereof
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
US11755033B2 (en) Artificial intelligence device installed in vehicle and method therefor
US11279629B2 (en) Artificial intelligence water purifier
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR102297655B1 (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR20190084912A (ko) 사용자의 액션에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20200144005A (ko) 차량내의 물품 정보를 제공하는 방법 및 장치
KR20210057886A (ko) 차량 충돌 방지 장치 및 그 방법
US20210239338A1 (en) Artificial intelligence device for freezing product and method therefor
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
US11521093B2 (en) Artificial intelligence apparatus for performing self diagnosis and method for the same
US11334094B2 (en) Method for maintaining stability of mobile robot and mobile robot thereof
US20210183364A1 (en) Artificial intelligence apparatus and method for predicting performance of voice recognition model in user environment
KR20210012463A (ko) 차량 단말 및 그의 동작 방법
US10931813B1 (en) Artificial intelligence apparatus for providing notification and method for same
US20210137311A1 (en) Artificial intelligence device and operating method thereof
US20210103955A1 (en) Apparatus and method for providing contents linked with information of vehicle