KR20210026112A - 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법 - Google Patents

무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법 Download PDF

Info

Publication number
KR20210026112A
KR20210026112A KR1020190106420A KR20190106420A KR20210026112A KR 20210026112 A KR20210026112 A KR 20210026112A KR 1020190106420 A KR1020190106420 A KR 1020190106420A KR 20190106420 A KR20190106420 A KR 20190106420A KR 20210026112 A KR20210026112 A KR 20210026112A
Authority
KR
South Korea
Prior art keywords
driver
driving data
driving
data
vehicle theft
Prior art date
Application number
KR1020190106420A
Other languages
English (en)
Inventor
양승희
Original Assignee
주식회사 선택인터내셔날
양승희
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 주식회사 선택인터내셔날, 양승희 filed Critical 주식회사 선택인터내셔날
Priority to KR1020190106420A priority Critical patent/KR20210026112A/ko
Priority to US16/956,992 priority patent/US11498575B2/en
Priority to EP19943297.2A priority patent/EP4024292A4/en
Priority to PCT/KR2019/015542 priority patent/WO2021040137A1/ko
Publication of KR20210026112A publication Critical patent/KR20210026112A/ko
Priority to KR1020220008585A priority patent/KR20220014339A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/20—Means to switch the anti-theft system on or off
    • B60R25/24—Means to switch the anti-theft system on or off using electronic identifiers containing a code not memorised by the user
    • B60R25/241—Means to switch the anti-theft system on or off using electronic identifiers containing a code not memorised by the user whereby access privileges are related to the identifiers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/20—Means to switch the anti-theft system on or off
    • B60R25/24—Means to switch the anti-theft system on or off using electronic identifiers containing a code not memorised by the user
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
    • B60R25/32—Detection related to theft or to other events relevant to anti-theft systems of vehicle dynamic parameters, e.g. speed or acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

본 발명의 일 기술적 측면에 따른 무감독 학습 기반의 탐지 방법은, 감독 학습된 모델을 이용한 무감독 학습 기반의 탐지 방법으로서, 주행 데이터로부터 복수의 제1 행렬 데이터를 생성하는 단계, 상기 복수의 행렬 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계, 상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계, 상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 복수의 제2 행렬 데이터를 재구현하는 단계 및 상기 복수의 제1 행렬 데이터와 상기 복수의 제2 행렬 데이터 간의 차이를 기초로, 현재의 주행이 기 감독 학습된 운전자 프로파일에 대응되는지 판단하는 단계를 포함한다.

Description

무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법 {DETECTING METHOD FOR USING UNSUPERVISED LEARNING AND APPARATUS AND METHOD FOR DETECTING VEHICLE THEFT USING THE SAME}
본 발명은 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법에 관한 것이다.
공지능 기술의 발전에 따라 학습 이론도 심도있게 발전을 이루고 있다. 또한, 이러한 학습 이론을 기반으로 다양한 보안 기술이 융합되고 있다.
예컨대, 차량 등 이동체 자산에 대한 도난 및 보안위협은 재산 손실 뿐만 아니라 인명 피해 등의 이차적인 손해가 발생할 수 있어, 최근 다양한 학습 이론을 기반으로 보다 지능적인 보안 기술을 개발하고 있는 추세이다.
종래의 이러한 학습 기반의 보안 기술로서, 특정 운전자가 설정된 상태에서 해당 운전자의 가속페달 조작정보, 브레이크 페달 조작정보, 차량 속도, 앞차와의 거리 정보 등의 데이터를 기초로 모델링을 수행하여 운전자를 식별하는 기술이 개발되었다. 이러한 종래 기술의 경우, 운전 데이터가 충분히 확보된 그 특정 운전자에 대해서, 즉, 감독 학습(Supervised Learnig) 환경에서는 비교적 정확한 인식이 가능한 효과를 가지나, 비 학습된 운전자에 의하여 차량이 도난되는 경우에는 기존에 관측되지 않은 데이터가 입력되므로 인식이 불가능해지거나 또는 탐색의 오류가 높아지는 등의 문제가 있다.
즉, 기존의 감독 학습 기반 탐지 기법은 기 관찰된 운전자일 경우에만 적용이 가능하며, 특히, 도난 차량의 경우 등 기 관찰되지 않은 운전자 데이터가 입력되는 비학습 환경에서는 그 정확도가 낮아지는 한계가 있다.
미국 등록특허공보 제9,459,277호 미국 등록특허공보 제9,406,222호
본 발명은 상기한 종래 기술의 문제점을 해결하기 위한 것으로써, 감독 학습(Supervised Learning)에서 얻어진 모델링을, 무감독 학습(Unsupervised Learning) 방식에 적용하여, 사전에 학습되지 않은 조건에서도 정확하게 탐지가 가능한 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법을 제공하는 것이다.
본 발명의 상기 목적과 여러 가지 장점은 이 기술분야에 숙련된 사람들에 의해 본 발명의 바람직한 실시예로부터 더욱 명확하게 될 것이다.
본 발명의 일 기술적 측면은 무감독 학습 기반의 탐지 방법을 제공한다. 상기 무감독 학습 기반의 탐지 방법은 감독 학습된 모델을 이용한 무감독 학습 기반의 탐지 방법으로서, 주행 데이터로부터 복수의 제1 행렬 데이터를 생성하는 단계, 상기 복수의 행렬 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계, 상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계, 상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 복수의 제2 행렬 데이터를 재구현하는 단계 및 상기 복수의 제1 행렬 데이터와 상기 복수의 제2 행렬 데이터 간의 차이를 기초로, 현재의 주행이 기 감독 학습된 운전자 프로파일에 대응되는지 판단하는 단계를 포함한다.
일 실시예에서, 상기 주행 데이터는, 매 시점마다 복수의 변수를 생성하는 다변량이고, 시간에 대하여 일정 이상의 높은 상관관계를 가지는 시계열의 특징을 가질 수 있다.
일 실시예에서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는, 상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는, 기 설정된 시간 이상 동안 상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
본 발명의 다른 일 기술적 측면은 운전자 프로파일 기반 차량 도난 감지 방법을 제공한다. 상기 운전자 프로파일 기반 차량 도난 감지 방법은, 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 단계 및 상기 감독 학습을 통하여 도출된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계를 포함한다.
일 실시예에서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는, 상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고, 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계 및 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이를 기초로 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계는, 상기 제1 주행 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계, 상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계 및 상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 상기 제2 주행 데이터를 재구현하는 단계를 포함할 수 있다.
일 실시예에서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는, 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는, 기 설정된 시간 이상 동안 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 운전자 프로파일 기반 차량 도난 감지 방법은, 상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 일 기술적 측면은 운전자 프로파일 기반 차량 도난 감지 장치를 제공한다. 상기 운전자 프로파일 기반 차량 도난 감지 장치는, 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 감독 학습 모델링부 및 상기 감독 학습 모델링부에서 생성된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 이상운전 판단부를 포함한다.
일 실시예에서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는, 상기 이상운전 판단부에서 상기 현재 운전자가 상기 기본 운전자와 다르다고 판단하면, 상기 기본 운전자에게 도난 경보를 제공하는 도난 경보부를 더 포함할 수 있다.
일 실시예에서, 상기 이상운전 판단부는, 상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하고, 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면 상기 현재 운전자가 상기 기본 운전자와 다른 것으로 판단할 수 있다.
일 실시예에서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는, 상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 규칙기반 판단 지원부를 더 포함할 수 있다.
상기한 과제의 해결 수단은, 본 발명의 특징을 모두 열거한 것은 아니다. 본 발명의 과제 해결을 위한 다양한 수단들은 이하의 상세한 설명의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시형태에 따르면, 학습 대상이 아닌 데이터에 대해서도 무감독 학습 알고리즘 기반으로 식별이 가능하며, 그에 따라 비 학습 데이터에 대한 탐지를 수행할 수 있는 효과가 있다.
또한, 본 발명의 일 실시형태에 따르면, 도난에 의하여 차량이 운행되는 경우를 탐지할 수 있으며, 따라서 도난 운전자에 대한 학습 없이도 도난 운전 여부를 감지할 수 있는 효과가 있다.
본 발명의 일 실시형태에 따르면, 이상 운전 패턴 감지를 위하여 대량의 상태 정보를 분석하여 학습 모델링의 임계 데이터를 조정함으로써, 보다 정확한 탐지를 수행할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 일 적용예를 도시하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 적용예를 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 운전자 프로파일 기반 차량 도난 감지 방법을 설명하는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 차량 도난 감지 장치를 설명하는 블록 구성도이다.
도 5는 도 3에 도시된 이상 운전 판단부의 일 실시예를 도시하는 블록 구성도이다.
도 6은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
도 7은 도 3에 도시된 이상 운전 판단부의 다른 일 실시예를 도시하는 블록 구성도이다.
도 8은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 다른 일 실시예를 설명하는 순서도이다.
도 9는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 실시예를 설명하는 블록 구성도이다.
도 10은 도 9에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태들을 설명한다.
그러나, 본 발명의 실시형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시 형태로 한정되는 것은 아니다. 또한, 본 발명의 실시형태는 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다.
도 1은 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 일 적용예를 도시하는 도면이다.
도 1을 참조하면, 본 발명에 따른 차량 도난 감지 장치(100)는 차량(10)에 구비되어 차량의 운전 상태를 기초로 현재 차량이 도난 상태인지 판단할 수 있다.
차량 도난 감지 장치(100)는 기본 운전자 -차량의 정당한 운전자-의 운전 데이터를 기초로 감독 학습(Supervised Learning)을 기초로 모델링을 수행하여, 운전자 프로파일을 생성할 수 있다.
차량 도난 감지 장치(100)는 감독 학습(Supervised Learning)에서 얻어진 모델링을, 현재의 운행 상태에 무감독 학습(Unsupervised Learning)으로 반영하여 현재의 운행이 기본 운전자에 의한 것인지 판정할 수 있다.
차량 도난 감지 장치(100)는 현재의 운행이 기본 운전자에 의한 것이 아닌 것으로 판단되면, 기본 운전자의 사용자 단말(200)에 현재 차량이 도난 운행 중인 것을 알릴 수 있다.
이에 따라, 기본 운전자는 차량의 도난 주행을 즉시적으로 실시간으로 확인할 수 있으며, 빠른 대응을 수행할 수 있는 효과를 가진다.
도 2는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 적용예를 도시하는 도면이다.
차량 도난 감지장치(102)는 도 2에 도시된 예와 같이 차량(10)에서 분리되어 구비될 수 있다. 예컨대, 차량 도난 감지장치(102)는 별도의 서버의 형태로 구현될 수 있다. 이러한 경우, 차량(10)에는 차량의 주행 데이터를 수집하여 차량 도난 감지장치(102)에 송신하는 주행 데이터 제공부(11)가 구비된다. 차량 도난 감지장치(102)는 주행 데이터 제공부(11)에서 제공하는 데이터를 기초로 현재 차량의 운행이 기본 운전자에 의한 것인지 아닌지를 판단하고, 이에 대한 정보를 사용자 단말(200)에 제공할 수 있다.
실시 형태에 따라, 차량 도난 감지장치(102)의 일부 구성은 차량(10)에 구비되며, 나머지 구성은 차량의 외부-예컨대, 별도의 서버 형태-로 구현될 수도 있다.
따라서, 본 출원에서 차량 도난 감지장치(100,102)의 실시 형태는 물리적으로 차량(10)에 위치되는 것으로 한정되지 않을 수 있으며, 본 발명에 따른 차량 도난 감지장치는 다양하게 변형 실시되는 여러 실시형태를 모두 포괄함은 자명하다.
도 3은 본 발명의 일 실시예에 따른 운전자 프로파일 기반 차량 도난 감지 방법을 설명하는 순서도이다. 도 3에 도시된 차량 도난 감지 방법은 도 1 내지 도 2에 도시된 차량 도난 감지 장치(100,102)(이하, 100으로 대표 표기함)에서 수행될 수 있다.
도 3을 참조하면, 차량 도난 감지 장치(100)는 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링 할 수 있다(S410).
이후, 차량 도난 감지 장치(100)는 감독 학습을 통하여 도출된 모델을 이용하여 현재 운전자의 주행 중 수집된 주행 데이터를 무감독 학습하여, 현재 운전자가 기본 운전자에 상응하는지 판단할 수 있다.
감독 학습을 통하여 기본 운전자에 대한 모델링을 형성한다. 그 모델링을 활용하여 현재의 입력 데이터에 대하여 인코딩과 디코딩을 수행하고, 디코딩된 결과 데이터가 입력 데이터와 일정 이상 오차가 있다면, 현재의 입력 데이터는 기본 운전자에 대한 모델링과 상이한 형태, 즉, 기본 운전자 프로파일에 대응되지 않는 입력 데이터가 되므로 기본 운전자가 아닌 자에 의해 운전되는 것으로 판단한다.
이하에서, 도 4 내지 도 10을 참조하여 차량 도난 감지 장치 및 방법에 대하여 보다 상세히 설명한다.
도 4는 본 발명의 일 실시예에 따른 차량 도난 감지 장치를 설명하는 블록 구성도이고, 도 6은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
이하, 도 4 및 도 6을 참조하여, 차량 도난 감지 장치(100)와 그에 의하여 수행되는 차량 도난 감지 방법에 대하여 설명한다.
차량 도난 감지 장치(100)는 주행 데이터 생성부(310), 감독 학습 모델링부(320) 및 이상운전 판단부(330)를 포함한다. 실시예에 따라, 차량 도난 감지 장치(100)는 도난 경보부(340)를 더 포함할 수 있다.
주행 데이터 생성부(310)는 차량의 주행으로부터 주행 데이터를 생성할 수 있다(S610).
주행 데이터는 매 시점마다 복수의 변수를 생성하는 다변량이고, 시간에 대하여 일정 이상의 높은 상관관계를 가지는 시계열의 특징을 가진다.
예를 들어, 주행 데이터는, 주행 시 초당 수집되는 가속 패달의 압력, 브레이크 페달의 압력, 차량 속도, 핸들 조작 각도, 차량 회전 속도 등을 포함할 수 있다. 또는 이들 중 적어도 일부를 포함할 수 있다.
주행 데이터는 상술한 복수의 변수를 포함하는 행렬로서, 시간에 따라 상기 복수의 변수 값이 변화하는 복수의 행렬 데이터일 수 있다.
감독 학습 모델링부(320)는 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링할 수 있다(S620).
감독 학습 모델링부(320)는 형성된 모델링에 대한 정보를 이상운전 판단부(330)에 제공할 수 있다.
이상운전 판단부(330)는 감독 학습 모델링부(320)에서 제공한 모델링을 이용하여 현재의 주행 데이터가 기본 운전자에 의한 것인지 판단한다(S630).
예컨대, 이상운전 판단부(330)는 제1 주행 데이터를 모델링하고 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출할 수 있다. 이상운전 판단부(330)는 제1 주행 데이터와 제2 주행 데이터 간의 차이를 기초로 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단할 수 있다.
예를 들어, 이상운전 판단부(330)는 제1 주행 데이터와 제2 주행 데이터 간의 차이가 임계치 이상이면, 도난 상황으로 판단할 수 있다(S640).
이러한 이상운전 판단부(330)에 대해서는 도 5를 참조하여 이하에서 보다 상세히 설명한다.
도난 경보부(340)는 이상운전 판단부(330)에서 현재 운전자가 기본 운전자와 다르다고 판단하면, 기본 운전자의 사용자 단말(200, 도 1에 도시됨)에게 도난 경보를 제공할 수 있다(S650).
도 5는 도 3에 도시된 이상 운전 판단부의 일 실시예를 도시하는 블록 구성도이다. 이하, 도 5를 참조하여, 이상운전 판단부(330)의 일 실시예에 대하여 보다 상세히 설명한다.
이상운전 판단부(330)는 컨볼루션 신경망 인코더(510), LSTM(Long Short-term Memory) 모델러(520), 디컨볼루션 연산기(530) 및 비교기(540)를 포함할 수 있다.
컨볼루션 신경망 인코더(510)는 주행 데이터, 즉, 변수별 시계열에 따른 변화를 설명하는 행렬들을 입력받을 수 있다. 컨볼루션 신경망 인코더(510)는 컨볼루션 신경망(Convolutional Neural Network)으로 행렬들을 인코딩한다. 컨볼루션 신경망은 복수 개로 도시되어 있으나, 반드시 이에 한정되는 것은 아니다.
LSTM 모델러(520)는 주의 (attention) 메커니즘 기반 Long Short-term Memory 네트워크로 인코딩된 정보의 시계열 특징을 모델링하여 시계열에 따른 변수간 상관관계를 도출한다. LSTM 네트워크 역시 복수 개로 도시되어 있으나, 반드시 이에 한정되는 것은 아니다.
디컨볼루션 연산기(530)는 인코딩 과정의 역에 해당하는 디컨볼루션 연산을 통해 행렬(31)을 재구현한다.
비교기(540)는 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이를 계산한다. 비교기(540)에 의하여 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이가 임계치 이상이면, 이상운전 판단부(330)는 현재의 주행 데이터는 기본 운전자에 의한 주행이 아닌 아닌 도난 운전에 의한 주행으로 판단할 수 있다.
즉, 입력 행렬(21)과 재구현 된 행렬(31) 간의 손실값이 클수록 도난 차량 주행일 경우가 높다는 것을 의미한다. 이는, 유사한 주행 패턴을 학습 데이터에서 관찰하지 못하였을 경우, 즉, 이상데이터일 확률이 높을 경우 입력된 행렬을 재구현하지 못할 것이기 때문이다.
도 7은 도 3에 도시된 이상 운전 판단부의 다른 일 실시예를 도시하는 블록 구성도이고, 도 8은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 다른 일 실시예를 설명하는 순서도이다.
이하, 도 7 및 도 8을 참조하여, 이상 운전 판단부의 다른 일 실시예와 그에 따른 차량 도난 감지 방법의 다른 일 실시예에 대하여 설명한다.
이상 운전 판단부의 다른 일 실시예(331)는 컨볼루션 신경망 인코더(710), LSTM(Long Short-term Memory) 모델러(720), 디컨볼루션 연산기(730), 비교기(740) 및 판단기(750)를 포함한다.
컨볼루션 신경망 인코더(710), LSTM(Long Short-term Memory) 모델러(720) 및 디컨볼루션 연산기(730)에 대해서는 도 5에서 상술한 설명으로부터 이해할 수 있으므로, 여기서는 설명을 생략한다.
비교기(740)는 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이를 계산한다.
비교기(740)에 의하여 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이가 임계치 이상이고(S840, 예), 이러한 임계치 이상의 값이 일정 시간 이상 지속되면(S850), 판단기(750)는 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단한다.
이는, 동일한 운전자도 상황에 따라 평소와 다른 패턴으로 운전할 수도 있으므로, 이러한 경우에도 오작동을 최소화할 수 있다.
도 9는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 실시예를 설명하는 블록 구성도이고, 도 10은 도 9에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
이하, 도 9 및 도 10을 참조하여, 차량 도난 감지 장치 및 방법의 다른 일 실시예에 대하여 설명한다.
도 9를 참조하면, 차량 도난 감지 장치(101)는 주행 데이터 생성부(910), 감독 학습 모델링부(920), 이상운전 판단부(930) 및 규칙기반 판단 지원부(950)를 포함하며, 실시예에 따라, 도난 경보부(940)를 더 포함할 수도 있다.
주행 데이터 생성부(910), 감독 학습 모델링부(920), 이상운전 판단부(930) 및 도난 경보부(940)에 대해서는 도 3 내지 도 8을 참조하여 상술한 설명으로부터 쉽게 이해할 수 있으므로, 여기에서는 설명을 생략한다.
규칙기반 판단 지원부(950)는 주행 데이터에 대하여 규칙 기반으로 탐지하여, 제1 주행 데이터와 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신할 수 있다.
일 예로, 규칙기반 판단 지원부(950)는 별도로 구비되는 대용량 서버일 수 있으고, 대량의 상태 정보들을 신속하게 분석하며, 규칙 기반으로 상기 임계치의 수치를 갱신할 수 있다.
이러한 실시예에서는, 무감독 학습 기반으로 도난을 판단함과 함께, 도난 판단의 기준이 되는 임계치에 대해서는 규칙 기반으로 학습하여 갱신을 실시할 수 있으므로, 그에 따라 도난 판단의 정확도를 동적으로 개선시켜 나갈 수 있는 효과가 있다.
이상에서는, 도 1 내지 도 10을 참조하여, 차량 도난 감지 기술에 대하여 설명하였으나, 이는 설명을 위한 것으로서, 본 발명의 실시 형태가 반드시 도난 감지에만 한정되는 것은 아니다.
즉, 본 발명은 학습 기반으로 형성된 모델링을 이용하여, 무학습 기반의 탐지를 수행하는 다양한 다른 변형 실시 형태도 포괄할 수 있다.
따라서, 이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.
100, 102 : 차량 도난 감지장치
310, 910 : 주행 데이터 생성부 320, 920 : 감독 학습 모델링부
330, 930 : 이상운전 판단부 340, 940 : 도난 경보부
510, 710 : 컨볼루션 신경망 인코더 520, 720 : LSTM 모델러
530, 730 : 디컨볼루션 연산기 540, 740 : 비교기
750 : 판단기 950 : 규칙기반 판단 지원부
200 : 사용자 단말

Claims (14)

  1. 감독 학습된 모델을 이용한 무감독 학습 기반의 탐지 방법으로서,
    주행 데이터로부터 복수의 제1 행렬 데이터를 생성하는 단계;
    상기 복수의 제1 행렬 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계;
    상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계;
    상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 복수의 제2 행렬 데이터를 재구현하는 단계; 및
    상기 복수의 제1 행렬 데이터와 상기 복수의 제2 행렬 데이터 간의 차이를 기초로, 상기 주행 데이터가 기 감독 학습된 운전자 프로파일에 대응되는지 판단하는 단계;
    를 포함하는 무감독 학습 기반의 탐지 방법.
  2. 제1항에 있어서, 상기 주행 데이터는
    매 시점마다 복수의 변수를 생성하는 다변량이고, 시간에 대하여 일정 이상의 높은 상관관계를 가지는 시계열의 특징을 가지는 무감독 학습 기반의 탐지 방법.
  3. 제1항에 있어서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는
    상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 무감독 학습 기반의 탐지 방법.
  4. 제1항에 있어서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는
    기 설정된 시간 이상 동안 상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 무감독 학습 기반의 탐지 방법.
  5. 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 단계; 및
    상기 감독 학습을 통하여 도출된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  6. 제5항에 있어서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는
    상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고, 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계; 및
    상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이를 기초로 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  7. 제6항에 있어서, 상기 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계는
    상기 제1 주행 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계;
    상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계; 및
    상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 상기 제2 주행 데이터를 재구현하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  8. 제6항에 있어서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는
    상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  9. 제6항에 있어서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는
    기 설정된 시간 이상 동안 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  10. 제8항에 있어서, 상기 운전자 프로파일 기반 차량 도난 감지 방법은,
    상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 단계;
    를 더 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  11. 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 감독 학습 모델링부; 및
    상기 감독 학습 모델링부에서 생성된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 이상운전 판단부;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 장치.
  12. 제11항에 있어서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는
    상기 이상운전 판단부에서 상기 현재 운전자가 상기 기본 운전자와 다르다고 판단하면, 상기 기본 운전자에게 도난 경보를 제공하는 도난 경보부;
    를 더 포함하는 운전자 프로파일 기반 차량 도난 감지 장치.
  13. 제11항에 있어서, 상기 이상운전 판단부는
    상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하고, 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면 상기 현재 운전자가 상기 기본 운전자와 다른 것으로 판단하는 운전자 프로파일 기반 차량 도난 감지 장치.

  14. 제13항에 있어서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는
    상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 규칙기반 판단 지원부;
    를 더 포함하는 운전자 프로파일 기반 차량 도난 감지 장치.
KR1020190106420A 2019-08-29 2019-08-29 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법 KR20210026112A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020190106420A KR20210026112A (ko) 2019-08-29 2019-08-29 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법
US16/956,992 US11498575B2 (en) 2019-08-29 2019-11-14 Unsupervised learning-based detection method and driver profile- based vehicle theft detection device and method using same
EP19943297.2A EP4024292A4 (en) 2019-08-29 2019-11-14 DETECTION METHOD BASED ON UNSUPERVISED LEARNING, AS WELL AS VEHICLE THEFT DETECTION DEVICE BASED ON A DRIVER PROFILE AND METHOD USING SAME
PCT/KR2019/015542 WO2021040137A1 (ko) 2019-08-29 2019-11-14 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법
KR1020220008585A KR20220014339A (ko) 2019-08-29 2022-01-20 차량 도난 감지 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190106420A KR20210026112A (ko) 2019-08-29 2019-08-29 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220008585A Division KR20220014339A (ko) 2019-08-29 2022-01-20 차량 도난 감지 장치

Publications (1)

Publication Number Publication Date
KR20210026112A true KR20210026112A (ko) 2021-03-10

Family

ID=74685925

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190106420A KR20210026112A (ko) 2019-08-29 2019-08-29 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법
KR1020220008585A KR20220014339A (ko) 2019-08-29 2022-01-20 차량 도난 감지 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220008585A KR20220014339A (ko) 2019-08-29 2022-01-20 차량 도난 감지 장치

Country Status (2)

Country Link
KR (2) KR20210026112A (ko)
WO (1) WO2021040137A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102641022B1 (ko) * 2023-08-11 2024-02-28 대한민국 인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9406222B2 (en) 2012-10-18 2016-08-02 Calamp Corp. Systems and methods for location reporting of detected events in vehicle operation
US9459277B2 (en) 2013-02-19 2016-10-04 Calamp Corp. Systems and methods for 3-axis accelerometer calibration with vertical sample buffers

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9855919B2 (en) * 2011-08-09 2018-01-02 Intelligent Mechatronic Systems Inc. Vehicle monitoring system with automatic driver identification
WO2013133791A1 (en) * 2012-03-05 2013-09-12 Intel Corporation User identification and personalized vehicle settings management system
US9663112B2 (en) * 2014-10-09 2017-05-30 Ford Global Technologies, Llc Adaptive driver identification fusion
JP7053213B2 (ja) * 2017-10-13 2022-04-12 株式会社デンソー 運転データ解析装置
KR102631160B1 (ko) * 2019-07-11 2024-01-30 엘지전자 주식회사 차량 탑승자 상태 감지방법 및 차량 탑승자 상태 감지장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9406222B2 (en) 2012-10-18 2016-08-02 Calamp Corp. Systems and methods for location reporting of detected events in vehicle operation
US9459277B2 (en) 2013-02-19 2016-10-04 Calamp Corp. Systems and methods for 3-axis accelerometer calibration with vertical sample buffers

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102641022B1 (ko) * 2023-08-11 2024-02-28 대한민국 인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템

Also Published As

Publication number Publication date
WO2021040137A1 (ko) 2021-03-04
KR20220014339A (ko) 2022-02-04

Similar Documents

Publication Publication Date Title
EP3722894B1 (en) Control and monitoring of physical system based on trained bayesian neural network
KR102389094B1 (ko) 이상 패턴 감지 시스템 및 방법
US9111400B2 (en) System for detecting abnormal driving behavior
US20190145860A1 (en) Method and apparatus for autonomous system performance and grading
WO2007143405A2 (en) Automatic fault classification for model-based process monitoring
US20190347410A1 (en) Resiliency of machine learning models
JP6418574B2 (ja) 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム
KR102492205B1 (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
JP2020123333A (ja) 走行途中に発生する走行シナリオを検出して、運転者の走行習慣を評価するための情報の提供する方法及び装置
US20220227379A1 (en) Network for detecting edge cases for use in training autonomous vehicle control systems
KR102657335B1 (ko) 자율 주행에서의 시맨틱 적대적 생성 기반 기능 테스트 방법
US20200234184A1 (en) Adversarial treatment to machine learning model adversary
CN111626367A (zh) 对抗样本检测方法、装置、设备及计算机可读存储介质
CN111650922A (zh) 一种智能家居异常检测方法和装置
WO2020000191A1 (en) Method for driver identification based on car following modeling
US20210303732A1 (en) Measuring the sensitivity of neural network image classifiers against adversarial attacks
JP2023031255A (ja) 異常検出
KR20220014339A (ko) 차량 도난 감지 장치
CN111259920A (zh) Ki模块对欺骗尝试的敏感性的测量
US11498575B2 (en) Unsupervised learning-based detection method and driver profile- based vehicle theft detection device and method using same
JP2018206373A (ja) 車両のための、対象物を分類するための方法および装置
Weiss et al. Uncertainty quantification for deep neural networks: An empirical comparison and usage guidelines
CN111553309B (zh) 车道线识别方法及装置
CN113574398A (zh) 用于监视铁路轨道设备的道岔的方法
CN109121116B (zh) 车辆ids检测辅助方法、装置、终端及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination