KR20210052634A - 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법 - Google Patents

운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
KR20210052634A
KR20210052634A KR1020190135577A KR20190135577A KR20210052634A KR 20210052634 A KR20210052634 A KR 20210052634A KR 1020190135577 A KR1020190135577 A KR 1020190135577A KR 20190135577 A KR20190135577 A KR 20190135577A KR 20210052634 A KR20210052634 A KR 20210052634A
Authority
KR
South Korea
Prior art keywords
driver
vehicle
careless
information
carelessness
Prior art date
Application number
KR1020190135577A
Other languages
English (en)
Inventor
김성식
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 KR1020190135577A priority Critical patent/KR20210052634A/ko
Priority to US16/700,470 priority patent/US11042766B2/en
Publication of KR20210052634A publication Critical patent/KR20210052634A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B60N2/0021—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement
    • B60N2/0024—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement for identifying, categorising or investigation of the occupant or object on the seat
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/02—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles the seat or part thereof being movable, e.g. adjustable
    • B60N2/0224—Non-manual adjustments, e.g. with electrical operation
    • B60N2/0244—Non-manual adjustments, e.g. with electrical operation with logic circuits
    • B60N2/0268—Non-manual adjustments, e.g. with electrical operation with logic circuits using sensors or detectors for adapting the seat or seat part, e.g. to the position of an occupant
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06K9/00221—
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • G06V40/176—Dynamic expression
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2210/00—Sensor types, e.g. for passenger detection systems or for controlling seats
    • B60N2210/10—Field detection presence sensors
    • B60N2210/16—Electromagnetic waves
    • B60N2210/22—Optical; Photoelectric; Lidar [Light Detection and Ranging]
    • B60N2210/24—Cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2220/00—Computerised treatment of data for controlling of seats
    • B60N2220/10—Computerised treatment of data for controlling of seats using a database
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2220/00—Computerised treatment of data for controlling of seats
    • B60N2220/30—Computerised treatment of data for controlling of seats using a neural network
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2230/00—Communication or electronic aspects
    • B60N2230/20—Wireless data transmission
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0818—Inactivity or incapacity of driver
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/089—Driver voice
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0014—Adaptive controllers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B60W2420/42—
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0638—Engine speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/10—Change speed gearings
    • B60W2510/1005—Transmission ratio engaged
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/043—Identity of occupants
    • 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
    • B60W2540/21—Voice
    • 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
    • B60W2540/26—Incapacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/304—Acceleration sensors
    • B60Y2400/3044—Vibration sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Ophthalmology & Optometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 개시의 일 실시 예는 운전자의 부주의를 판단하는 인공 지능 장치에 있어서, 차량의 운전자 시트(seat)의 움직임을 감지하는 진동 센서 또는 자이로 센서; 운전자의 얼굴을 포함하는 이미지 데이터를 수신하는 카메라; 상기 차량의 전자 제어 장치(ECU: Electronic Control Unit)로부터 차량 상태 정보를 수신하는 통신부; 및 상기 진동 센서로부터 수신한 진동 센서 정보 또는 상기 자이로 센서로부터 수신한 자이로 센서 정보를 이용하여 상기 운전자 시트의 움직임 정보를 생성하고, 상기 수신한 이미지 데이터로부터 상기 운전자에 상응하는 운전자 상태 정보를 생성하고, 상기 운전자 시트의 상기 움직임 정보, 상기 운전자 상태 정보 및 상기 차량 상태 정보에 기초하여 상기 운전자가 부주의 상태인지 판단하고, 상기 운전자가 상기 부주의 상태인 경우 부주의 알람을 출력하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법 {ARTIFICIAL INTELLIGENCE APPARATUS AND METHOD FOR DETERMINING INATTENTION OF DRIVER}
본 개시(disclosure)는 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법에 관한 것이다.
최근 차량에 운전자의 주행을 위한 조작을 보조하는 주행 보조 기능을 제공하거나, 운전자의 주행을 위한 조작을 대체하는 자율 주행 기능을 제공하는 기술의 발전이 활발하다. 주행 보조 기능 (또는, 주행 보조 시스템)에는 크루즈 컨트롤 기능, 차량 간격 조절 기능, 차선 유지 기능, 운전자 상태 모니터링(DSM: Driver Status Monitoring) 기능 등이 포함된다. 그리고, 자율 주행 기능은 주행 보조 기능들을 모두 포함하는 것으로 볼 수 있다.
운전자 상태 모니터링 기능은 차량 운행 중에 운전자의 피로, 졸음, 부주의한 행동 등의 운전자의 상태를 감시하고, 위험도가 높은 상황을 감지하여 알람을 제공하거나 필요한 대응을 수행하는 기능을 의미하며, 졸음 운전과 같은 사고의 직접적인 원인을 줄이는데 기여할 수 있다. 그러나, 운전자가 운전에 집중하고 있음에도 불구하고, 운전자 상태 모니터링 기능이 운전자의 부주의를 잘못 판단할 가능성이 있고, 그에 따라 잘못된 알람을 제공하게 될 경우 운전자의 만족도가 낮아지는 문제점이 있다. 따라서 운전자의 상태를 모니터링할 때 운전자의 부주의를 정확하게 판단하는 것이 중요하다.
본 개시는, 운전자의 부주의를 판단하고, 운전자가 부주의 상태라고 판단된 경우에 부주의 알람을 제공하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 개시는, 운전자별로 다른 기준을 적용하여 부주의 상태를 판단하는, 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 개시는, 운전자가 부주의 상태라고 판단하였을 때의 운전자의 피드백에 기초하여 운전자의 부주의 상태를 판단하는 방법을 갱신하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 개시의 일 실시 예는, 차량의 운전자 시트의 움직임 정보를 생성하고, 차량 상태 정보를 수신하고, 그리고 운전자의 얼굴을 포함하는 이미지 데이터를 이용하여 운전자 상태 정보를 생성하고, 운전자 시트의 움직임 정보, 차량 상태 정보 및 운전자 상태 정보에 기초하여 운전자가 부주의 상태인지 판단하고, 운전자가 부주의 상태인 경우에 부주의 알람을 출력하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 개시의 일 실시 예는, 차량의 종류와 운전자를 식별하고, 식별된 정보를 이용하여 운전자의 부주의를 판단하는데 이용할 부주의 판단 프로파일 또는 부주의 판단 모델을 결정하고, 결정된 부주의 판단 프로파일과 결정된 부주의 판단 모델을 이용하여 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 개시의 일 실시 예는, 부주의 알람 제공 이후 운전자의 피드백을 고려하여 운전자의 부주의를 판단하는데 이용하는 기준 값 또는 부주의 판단 모델을 갱신하는 인공 지능 장치 및 그 방법을 제공한다.
본 개시의 다양한 실시 예에 따르면, 차량이 주행 중에 운전자가 부주의 상태임을 감지하면 부주의 알림을 제공함으로써 운전자의 주의를 얻을 수 있으며, 사고 위험도를 낮추고 운전자의 안전을 도모할 수 있다.
또한, 본 개시의 다양한 실시 예에 따르면, 운전자별로 상이한 운전 습관을 반영하여 부주의 상태를 파악하므로, 각 운전자에 적합한 부주의 상태의 판단이 가능하며, 부주의 판단의 정확도를 높일 수 있다.
또한, 본 개시의 다양한 실시 예에 따르면, 운전자의 피드백에 기초하여 부주의를 판단하는데 이용되는 기준이나 모델을 갱신함으로써, 개별 운전자들에게 적합한 부주의 판단이 가능하다.
도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 운전자의 부주의를 판단하는 방법을 나타낸 동작 흐름도이다.
도 6은 본 개시의 일 실시 예에 따른 얼굴 인식 정보를 생성하는 방법을 나타낸 도면이다.
도 7은 도 5에 도시된 운전자의 부주의 여부를 판단하는 단계(S511)의 일 예를 나타낸 동작 흐름도이다.
도 8 및 9는 본 개시의 일 실시 예에 따른 제2 기준 범위와 제3 기준 범위의 예시들을 나타낸 도면이다.
도 10은 본 개시의 일 실시 예에 따른 조향 각도와 방향 경계 값 계수들 사이의 관계를 나타낸 도면이다.
도 11은 본 개시의 일 실시 예에 따른 제3 기준 범위를 갱신하는 방법을 나타낸 도면이다.
도 12는 본 개시의 일 실시 예에 따른 부정적 피드백에 기초하여 갱신한 조향 각도와 방향 경계 값 계수들 사이의 관계를 나타낸 도면이다.
도 13은 도 5에 도시된 운전자의 부주의 여부를 판단하는 단계(S511)의 일 예를 나타낸 동작 흐름도이다.
도 14는 본 개시의 일 실시 예에 따른 운전자 부주의를 판단하는 방법을 나타낸 도면이다.
도 15는 본 개시의 일 실시 예에 따른 부주의 판단 모델을 갱신하는 방법을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
<인공 지능(AI: Artificial Intelligence)>
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: Deep Neural Network)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.
<로봇(Robot)>
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.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 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, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
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 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.
이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.
AI 장치(100)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 1을 참조하면, 인공 지능 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)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(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)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(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)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(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)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(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)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(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)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(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)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(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸 블록도이다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 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(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예컨대, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.
도 1과 중복되는 설명은 생략한다.
통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고도 칭할 수 있다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 본 개시의 일 실시 예에 따른 운전자의 부주의를 판단하는 방법을 나타낸 동작 흐름도이다.
운전자의 부주의를 판단하는 방법은 인공 지능 장치(100)에 의하여 수행될 수 있다. 인공 지능 장치(100)는 차량에 탑재될 수도 있으며, 차량 자체를 의미할 수도 있다. 일 실시 예에서, 인공 지능 장치(100)는 운전자 상태 모니터링(DSM: Driver Status Monitoring) 시스템을 구동하는 장치를 의미할 수 있다.
본 개시에서, 차량은 인공적인 동력으로 바퀴를 노면과 마찰시켜 그 반작용으로 움직이는 이동 수단을 의미하며, 세단, SUV(Sports Utility Vehicle), 트럭, 버스 등을 포함한다. 본 개시는 차량의 형태나 종류에 구애 받지 않는다. 다만, 차량의 종류에 따라서는 운전자의 운전을 위한 행동이 달라지기 때문에, 운전자의 부주의를 판단하는 방법이 달라질 수는 있다.
인공 지능 장치(100)의 프로세서(180)는 차량이 주행을 시작하는 경우, 차량이 주행 중인 경우 또는 차량이 주행을 준비 중인 경우에 운전자의 부주의를 판단하는 방법을 수행할 수 있다.
도 5를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 진동 센서 정보 또는 자이로 센서 정보를 수신하고(S501), 운전자 시트의 움직임 정보를 생성한다(S503).
통상적으로, 세단이나 SUV와 같은 차량은 운전자 시트가 차량의 차체와 고정되어, 차체와 함께 움직이게 설계되어 있다. 그러나, 트럭이나 버스와 같은 차량은 운전자 시트가 차량의 차체에 연결은 되어 있지만, 차체의 움직임과 별개로 상하로 더 움직일 수 있다. 이처럼, 트럭이나 버스는 노면이 거칠거나 굴곡있는 도로에서 주행하게 될 경우에 운전자 시트가 차체의 움직임과는 별개로 상하로 움직일 수 있고, 이에 의해 운전자가 움직이지 않았음에도 카메라(121)를 통해서 수신할 이미지 데이터에서의 사용자의 위치가 달라질 수 있다.
프로세서(180)는 운전자 시트에 설치된 진동 센서 또는 자이로 센서를 통해 진동 센서 정보 또는 자이로 센서 정보를 수신하고, 수신한 진동 센서 정보 또는 수신한 자이로 센서 정보를 이용하여 운전자 시트의 움직임 정보를 생성할 수 있다.
프로세서(180)는 운전자 시트에 설치된 제1 진동 센서 또는 제1 자이로 센서를 통해 제1 진동 센서 정보 또는 제1 자이로 센서 정보를 수신하고, 차체 (예컨대, 대시보드, 천장, 백미러 등)에 설치된 제2 진동 센서 또는 제2 자이로 센서를 통해 제2 진동 센서 정보 또는 제2 자이로 센서 정보를 수신하고, 수신한 제1 및 제2 진동 센서 정보 또는 수신한 제1 및 제2 자이로 센서 정보를 이용하여 운전자 시트의 움직임 정보를 획득할 수 있다. 이 경우, 프로세서(180)는 제1 진동 센서 정보와 제2 진동 센서 정보의 차이, 또는 제1 자이로 센서 정보와 제2 자이로 센서 정보로부터 차체의 움직임에 대한 운전자 시트의 상대적인 움직임 정보를 생성할 수 있다. 또한, 프로세서(180)는 수신한 제2 진동 센서 정보 또는 제2 자이로 센서 정보를 이용하여 차체의 움직임 정보를 생성할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 카메라(121)를 통해 운전자의 얼굴을 포함하는 이미지 데이터를 수신한다(S505).
카메라(121)는 차량의 운전자의 전방 방향에 설치되어, 사용자의 얼굴을 포함하는 이미지 데이터를 수신할 수 있다. 예컨대, 카메라(121)는 차량의 전면 유리, 천장, 대시보드, 핸들 등에 부착되거나 체결되어 설치될 수 있다. 실시 예에 따라, 카메라(121)는 차량의 운전자의 측면 방향에도 추가적으로 설치되어, 사용자의 측면 얼굴을 포함하는 이미지 데이터를 추가적으로 수신할 수도 있다. 즉, 카메라(121)는 단일한 카메라에 한정되지 않는다.
카메라(121)는 RGB 카메라, IR 카메라 또는 뎁스(depth) 카메라 중에서 적어도 하나 이상을 포함할 수 있다. 만약, 카메라(121)가 RGB 카메라를 포함하는 경우에는, 수신한 이미지 데이터에는 RGB 이미지 데이터가 포함될 수 있다. 카메라(121)가 적외선 카메라를 포함하는 경우에는, 수신한 이미지 데이터에는 적외선 이미지 데이터가 포함될 수 있다. 카메라(121)가 뎁스 카메라를 포함하는 경우에는, 수신한 이미지 데이터에는 뎁스 이미지 데이터가 포함될 수 있다.
일 실시 예에서, 프로세서(180)는 획득한 운전자 시트의 움직임 정보에 기초하여 운전자 시트의 움직임을 보상하도록 이미지 데이터를 보정할 수 있다. 예컨대, 운전자 시트가 기본 상태보다 위로 5cm 올라간 것으로 인식된 경우, 이미지 데이터를 5cm에 미리 정해진 비율만큼을 곱한 양만큼 (예컨대, 1cm만큼) 아래 방향으로 움직임으로써 보정할 수 있다. 이처럼, 운전자 시트의 움직임 정보에 기초하여 이미지 데이터를 보정함으로써, 이미지 데이터 내에서의 운전자의 얼굴이 위치하는 영역의 움직임을 최소화할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 수신한 이미지 데이터로부터 운전자의 얼굴을 인식하여 운전자 상태 정보를 생성한다(S507).
운전자의 얼굴을 인식하는 것은 단순히 사람의 얼굴을 인식하는 것을 의미할 수도 있고, 또는 운전자의 얼굴과 함께 운전자를 식별하는 것을 의미할 수도 있다. 이를 위해, 프로세서(180)는 얼굴 인식 모델을 이용하여 사용자의 얼굴을 인식하여 운전자 상태 정보를 생성할 수 있다. 얼굴 인식 모델은 딥 러닝 알고리즘을 이용하여 학습된 합성곱 신경망(CNN)을 포함하는 인공 신경망일 수 있다.
운전자 상태 정보에는 운전자의 식별 정보, 운전자의 얼굴 방향, 운전자의 시선 방향, 운전자의 눈이 감긴 정도 (또는 눈꺼풀 간격), 운전자의 입이 벌어진 정도 (또는 입술 간격) 또는 운전자가 졸고 있는지 여부 중에서 적어도 하나 이상이 포함될 수 있다.
운전자의 식별 정보는 운전자의 얼굴에서 특징점을 추출함으로써 생성한 얼굴 모양 기반의 식별 정보일 수도 있고, 운전자의 눈의 홍채에서 특징점을 추출함으로써 생성한 홍채 모양 기반의 식별 정보일 수도 있다.
운전자의 얼굴 방향과 운선자의 시선 방향은 차량의 정면을 기준으로 상하좌우 방향에 대한 각도로 표현될 수 있다. 예컨대, 운전자의 얼굴이 차량의 정면 정중앙을 바라보는 경우, 운전자의 얼굴 방향은 상하 각도 0도에 좌우 각도 0도로 표현될 수 있다. 또한, 운전자가 우측을 바라볼 경우, 좌우 각도는 +n도로 표현될 수 있고, 운전자가 위쪽을 바라볼 경우, 상하 각도는 +m도로 표현될 수 있다. 상술한 각 방향을 나타내는 각도의 표현 방법은 하나의 예시에 불과하며, 이는 상하좌우의 방향을 나타낼 수 있는 어떠한 표현 방법이라면 족하다. 운전자의 얼굴 방향은 운전자의 머리 자세(head pose)를 의미할 수도 있다.
운전자의 눈이 감긴 정도는 운전자의 각 눈에 대하여 눈꺼풀 간격이 수치로 표현될 수도 있으며, 운전자의 눈꺼풀 간격의 최대치 기준으로 현재 눈꺼풀 간격의 비율로 표현될 수도 있다. 예컨대, 운전자의 눈이 감긴 정도는 왼쪽 눈 6mm, 오른쪽 눈은 7mm와 같이 표현될 수 있다. 운전자의 눈이 감긴 정도는 눈이 얼마나 감겼는지를 나타내는 어떠한 표현 방법이라면 족하다. 또한, 운전자의 눈이 감긴 정도는 인식된 운전자의 눈동자의 크기로 표현될 수도 있다. 이는 운전자의 눈이 감길수록 인식되는 눈동자의 크기가 작아지기 때문이다.
운전자의 입이 벌어진 정도는 운전자의 입술 간격이 수치로 표현될 수도 있으며, 운전자의 입술 간격의 최대치 기준으로 현재 입술 간격의 비율로 표현될 수도 있다. 예컨대, 운전자의 입이 벌어진 정도는 35mm와 같이 표현될 수 있다. 운전자의 입이 벌어진 정도는 입이 얼마나 벌어졌는지를 나타내는 어떠한 표현 방법이라면 족하다.
운전자가 졸고 있는지 여부는 단순히 예(yes)/아니오(no)로 나뉘어 표현될 수도 있지만, 졸음의 정도를 나타내는 척도로써 0부터 1 사이의 실수로 표현될 수도 있다.
일 실시 예에서, 프로세서(180)는 주행을 시작하기에 앞서서, 예컨대 시동이 걸리면, 운전자 상태 정보를 획득하기 위한 초기화(initialization) 또는 조정(calibration) 작업을 수행할 수 있다. 즉, 운전자 상태 정보에 포함된 운전자의 얼굴 방향이나 운전자의 시선 방향의 정면 방향에 대한 기준 값을 설정하기 위하여, 운전자가 정면을 바라보도록 안내 또는 유도하고, 운전자가 정면을 바라보는 상태에서 수신한 이미지 데이터로부터 인식된 얼굴 방향이나 시선 방향을 정면 방향으로 설정할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 차량의 전자 제어 장치(ECU: Electronic Control Unit)로부터 차량 상태 정보를 수신한다(S509).
인공 지능 장치(100)가 차량과 구분되어 구성되는 경우라면, 인공 지능 장치(100)는 통신부(110)를 통해 CAN(Controller Area Network)와 같은 유무선 통신을 이용하여 차량의 전자 제어 장치로부터 차량 상태 정보를 수신할 수 있다. 반면, 인공 지능 장치(100)가 차량 자체로 구성되는 경우라면, 인공 지능 장치(100)의 프로세서(180)는 전자 제어 장치로부터 차량 상태 정보를 수신할 수 있다. 전자 제어 장치에서 수신하는 신호는 CAN 신호라고도 칭할 수 있다.
차량의 전자 제어 장치는 차량의 엔진, 변속기, 브레이크 등을 제어하는 제어 장치로, 차량에 탑재된 각 종의 센서로부터 센서 정보를 수집한다. 예컨대, 전자 제어 장치에서 수집하는 센서 정보에는 차량의 속도, 엔진의 회전 수, 변속기 기어 상태, 페달 압력, 조향 각도, 방향 지시등의 점등 상태 등이 포함될 수 있고, 수집된 센서 정보는 차량 상태 정보를 구성할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 운전자 시트의 움직임 정보, 운전자 상태 정보 및 차량 상태 정보에 기초하여 운전자의 부주의 여부를 판단한다(S511 및 S513).
운전자의 부주의 여부를 판단하는 방법에는 규칙 기반(rule-based) 판단 방법과 머신 러닝 기반(machine learning-based) 판단 방법이 포함될 수 있다.
운전자의 부주의 여부를 판단하는 방법은 후술한다.
단계(S513)의 판단 결과, 운전자가 부주의 상태인 경우, 인공 지능 장치(100)의 프로세서(180)는 부주의 알람을 출력한다(S515).
부주의 알람은 운전자에게 부주의 상태임을 알리는 알람이나 운전자의 주의를 환기시키는 알람 등을 포함할 수 있다.
프로세서(180)는 음향 출력부(152)를 통하여 부주의를 알리는 음성 알람, 빕(beep) 알람, 미리 설정된 음향 알람 등을 출력할 수 있다. 예컨대, 프로세서(180)는 음향 출력부(152)를 통하여, 부주의 알람으로써 "현재 부주의 상태로 확인됩니다. 운전에 주의 해주세요."와 같은 음성 알람을 출력할 수도 있고, 빕 소리의 경고 알람을 출력할 수도 있으며, 미리 설정된 음향 또는 음악 알람 등을 출력할 수도 있다.
프로세서(180)는 디스플레이부(151)를 통하여 부주의를 알리는 화상 알람을 출력할 수 있다. 예컨대, 프로세서(180)는 차량의 HUD(Head-Up Display)를 통하여, 부주의 알람으로써 "현재 부주의 상태로 확인됩니다. 운전에 주의 해주세요."와 같은 텍스트 알람을 출력할 수 있다. 특히, 프로세서(180)는 HUD를 통하여, 운전자가 바라보는 방향의 창문에 부주의 알람을 출력할 수 있다.
프로세서(180)는 햅틱 모듈(153)을 통하여 부주의를 알리는 진동을 발생시킬 수 있다. 예컨대, 프로세서(180)는 운전자가 부주의 상태라고 판단되었을 때에 카 시트(car seat)에 설치된 모터를 가동시킴으로써 부주의 알람을 출력할 수 있다. 예컨대, 차량의 카 시트가 안마 기능을 제공하는 경우, 프로세서(180)는 운전자가 부주의 상태라고 판단되었을 때 카 시트의 안마 기능을 적어도 일부 수행함으로써 부주의 알람을 출력할 수 있다.
프로세서(180)는 광출력부(154)를 통하여 부주의를 알리는 램프(lamp) 알람을 출력할 수 있다. 예컨대, 프로세서(180)는 차량의 대쉬보드에 설치된 경고 램프를 점등함으로써, 현재 부주의 상태임을 알리는 알람을 출력할 수 있다.
단계(S513)의 판단 결과, 운전자가 부주의 상태가 아닌 경우이거나, 단계(S515)를 수행한 경우, 인공 지능 장치(100)의 프로세서(180)는 주행이 종료되었는지를 판단한다(S517).
프로세서(180)는 주행이 종료되었는지 여부를 엔진 또는 모터가 동작 중인지 여부로 판단할 수 있다.
단계(S517)의 판단 결과, 주행이 종료되지 않은 경우, 단계(S501)로 돌아간다.
아직 주행 중인 경우라면, 다시 필요한 데이터와 정보를 수신하여 운전자의 부주의를 판단하게 된다.
단계(S517)의 판단 결과, 주행이 종료된 경우, 운전자의 부주의를 판단하는 절차를 종료한다.
프로세서(180)는 차량의 전자 제어 장치로부터 수신한 차량 상태 정보에 기초하여 주행이 종료되었는지 여부를 판단할 수 있다. 예컨대, 차량 상태 정보에 포함된 기어 정보가 주차(parking) 기어인 경우나, 차량의 시동이 꺼짐에 따라 전자 제어 장치로부터 차량 상태 정보를 수신하지 못하는 경우에는, 프로세서(180) 주행이 종료된 것으로 판단할 수 있다.
도 5는 일 실시 예에 따른 운전자의 부주의를 판단하는 방법의 한 사이클(cycle)을 도시한 것에 불과하다. 도 5에 도시된 단계들(steps)은 반복적으로 수행될 수 있고, 그에 따라 인공 지능 장치(100)는 반복적으로 운전자의 부주의를 판단할 수 있다.
도 5에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 5에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 5에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.
도 6은 본 개시의 일 실시 예에 따른 얼굴 인식 정보를 생성하는 방법을 나타낸 도면이다.
도 6의 (a)를 참조하면, 프로세서(180)는 차량의 내부에 설치된 카메라(121)를 통하여 운전자(601)의 안면을 포함하는 이미지 데이터(611, 612)를 획득할 수 있다. 예컨대, 프로세서(180)는 뎁스(depth) 카메라를 이용하여 뎁스 이미지 데이터(611)를 획득할 수도 있고, 통상의 RGB 카메라를 이용하여 RGB 이미지 데이터(612)를 획득할 수도 있다.
도 6의 (b)를 참조하면, 프로세서(180)는 뎁스 이미지 데이터(611)로부터 운전자(601)의 안면에서 특징점들을 추출(621)하여 안면을 인식(621)할 수 있다. 프로세서(180)는 안면 인식을 통해 복수의 운전자들을 식별하여 구분하거나, 운전자의 머리 방향을 판단하거나, 입을 벌리고 있는지 여부 등을 판단할 수 있다.
도 6의 (c)를 참조하면, 프로세서(180)는 RGB 이미지 데이터(612)에서 운전자(601)의 안구를 인식(622)할 수 있다. 안구의 인식(622)은 시선 방향을 인식하는 것을 포함할 수 있다.
도 6의 (d)를 참조하면, 프로세서(180)는 RGB 이미지 데이터(612)에서 운전자(601)가 눈을 감았는지 여부를 인식(623)하거나 눈꺼풀을 인식할 수 있다. 눈을 감았는지 여부의 인식(623)는 눈꺼풀 사이의 간격을 측정하는 것으로 판단할 수도 있고, 안구가 위치하는 것으로 인식된 위치에 안구가 인식되지 않는지 여부 등으로 판단할 수도 있다.
이처럼, 프로세서(180)는 운전자(601)의 안면을 인식함으로써 운전자들을 서로 구분하고, 운전자가 하품하는지 여부를 판단할 수 있으며, 안구를 인식함으로써 운전자(601)가 측면 창, 사이드 미러 또는 룸 미러를 바라보는지 여부를 판단할 수 있으며, 눈꺼풀을 인식함으로써 운전자가 졸고 있는지 여부를 판단할 수 있다.
도 7은 도 5에 도시된 운전자의 부주의 여부를 판단하는 단계(S511)의 일 예를 나타낸 동작 흐름도이다.
도 7은 운전자의 부주의를 판단하는 방법 중에서도 규칙 기반 부주의 판단 모델을 이용하여 운전자의 부주의를 판단하는 방법의 일 예를 도시한다.
도 7을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 운전자의 부주의를 판단하는데 이용할 부주의 판단 프로파일(profile)을 선택한다(S701).
부주의 판단 프로파일은 운전자의 부주의를 판단하는데 이용하는 기준 값들의 모임이며, 후술하는 기준 범위나 경계 값들을 포함할 수 있다.
부주의 판단 프로파일은 차량의 종류별로 구분될 수 있으며, 부주의 판단 프로파일에 포함된 기준 범위나 경계 값들은 차량의 종류별로 구분되어 기본 값이 설정될 수 있다. 예컨대, 세단의 부주의 판단 프로파일에 포함된 기준 범위와 경계 값의 기본 값은 트럭의 부주의 판단 프로파일에 포함된 기준 범위와 경계 값의 기본 값과 다를 수 있다. 즉, 운전자의 부주의를 판단하는데 이용할 기준 값들의 기본 값 (또는 초기 값)은 차량의 종류에 기초하여 결정될 수 있다.
또한, 부주의 판단 프로파일은 각 운전자별로 구분될 수 있으며, 부주의 판단 프로파일에 포함된 기준 범위나 경계 값들은 운전자별로 구분되어 설정될 수 있다. 예컨대, 제1 운전자의 부주의 판단 프로파일에 포함된 기준 범위와 경계 값은 제2 운전자의 부주의 판단 프로파일에 포함된 기준 범위와 경계 값과 다를 수 있다. 즉, 운전자의 부주의를 판단하는데 이용할 기준 값들은 운전자별로 상이하게 결정될 수 있다. 이는 운전자마다 운전하는 방식이 다르기 때문이다.
따라서, 프로세서(180)는 인공 지능 장치(100)가 탑재된 차량의 종류와 현재 운전자에 기초하여 부주의 판단 프로파일을 선택할 수 있다. 현재 운전자는 수신한 이미지 데이터로부터 획득한 운전자 식별 정보로부터 결정될 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 운전자 시트의 움직임이 제1 기준 범위 안인지 판단한다(S703).
운전자 시트의 움직임 정보는 운전자 시트가 상하로 얼마나 움직였는지를 포함할 수 있다. 만약, 차량이 노면이 좋지 않거나 굴곡 있는 도로를 주행 중인 경우라면, 운전자 시트에 많은 움직임이 발생할 수 있다. 그리고, 운전자 시트가 많이 움직이게 된다면, 카메라(121)로부터 수신하는 이미지 데이터에 운전자의 얼굴이 전부 포함되지 않거나 이미지 데이터에 잔상이 많이 포함되어, 운전자 상태 정보의 생성에 실패하거나 생성하는 운전자 상태 정보의 정확성이 떨어질 수 있다. 운전자 시트의 움직임이 제1 기준 범위 안이라는 것은, 운전자 시트의 움직임이 크지 않다는 것을 의미할 수 있다. 반대로, 운전자 시트의 움직임이 제1 기준 범위 안이 아니라는 것은, 운전자 시트의 움직임이 크다는 것을 의미할 수 있다.
제1 기준 범위는 단계(S701)에서 선택한 부주의 판단 프로파일에 포함된 기준 범위일 수 있다. 즉, 제1 기준 범위는 운전자 시트의 움직임 기준 범위를 의미할 수 있으며, 본 단계(S703)에서 이용하는 제1 기준 범위는 단계(S701)에서 선택된 운전자 시트의 움직임 기준 범위다. 예컨대, 제1 기준 범위는 기본 상태를 기준으로 상하 10센치 이내일 수도 있다.
단계(S703)의 판단 결과, 운전자 시트의 움직임이 제1 기준 범위 안이 아닌 경우, 인공 지능 장치(100)의 프로세서(180)는 운전자의 부주의 여부를 판단하지 않고 절차를 종료한다. 즉, 결정된 운전자의 상태인지 판단하는 단계(S513)로 진행한다.
운전자 시트의 움직임이 제1 기준 범위 안이 아니라면, 운전자 시트가 운전자의 상태를 판단하기에는 움직임이 너무 많음을 의미할 수 있고, 따라서 운전자의 부주의를 판단하기에 부적합하다고 볼 수 있다. 따라서, 이러한 경우에는 프로세서(180)는 운전자 부주의 여부를 판단하지 않은 상태로 운전자의 부주의를 판단하는 단계(S511)를 종료할 수 있다. 운전자의 부주의를 판단하지 않았으므로, 이는 운전자가 부주의 상태라고 결정되지 않았음을 의미하며, 따라서 프로세서(180)는 운전자에게 부주의 알람을 제공하지 않을 것이다.
운전자 시트의 움직임이 많다면, 운전자가 졸거나 운전자의 주의가 분산되지 않을 것으로 기대할 수 있으므로, 구태여 운전자의 부주의를 판단하지 않더라도 안전상에 문제가 큰 지장이 없을 것으로 볼 수 있다.
단계(S703)이 판단 결과, 운전자 시트의 움직임이 제1 기준 범위 안인 경우, 인공 지능 장치(100)의 프로세서(180)는 운전자가 졸음 상태인지 판단한다(S705).
프로세서(180)는 운전자의 눈이 감긴 정도 (또는 눈꺼풀 간격), 입이 벌어진 정도 또는 운전자의 얼굴 방향 (또는 머리 방향) 중에서 적어도 하나 이상을 고려하여 운전자가 졸음 상태인지 또는 졸음 상태에 얼마나 가까운지를 판단할 수 있다. 예컨대, 프로세서(180)는 입이 벌어진 정도에 기초하여 운전자의 하품을 인식할 수 있으며, 운전자의 얼굴 방향에 기초하여 운전자가 고개를 꾸벅이는지 인식할 수 있다. 프로세서(180)는 미리 정해진 기간 동안, 운전자의 하품 횟수, 눈꺼풀 간격이 평상시 대비 얼마나 좁은지, 운전자가 고개를 얼마나 꾸벅이는지를 고려하여, 현재 운전자가 졸음 상태인지, 또는 졸음 상태에 얼마나 가까운지 결정할 수 있다.
만약, 프로세서(180)가 운전자가 졸음 상태에 얼마나 가까운지를 결정하는 경우라면, 졸음 상태에 얼마나 가까운지를 나타내는 졸음 점수를 산출할 수 있고, 산출된 졸음 점수가 미리 정해진 경계 값을 초과한다면 운전자가 졸음 상태인 것으로 판단할 수 있다.
또한, 프로세서(180)는 부주의 판단 프로파일에 포함된 기준 값들을 이용하여 졸음 상태를 판단할 수 있다. 예컨대, 프로세서(180)는 부주의 판단 프로파일에 포함된 하품 횟수 기준 값을 이용하여, 미리 정해진 시간 (예컨대, 5분)동안의 운전자의 하품 횟수와 하품 횟수 기준 값을 비교할 수 있고, 비교 결과에 기초하여 운전자의 졸음 상태를 판단할 수 있다.
단계(S705)의 판단 결과, 운전자가 졸음 상태라면, 인공 지능 장치(100)의 프로세서(180)는 운전자가 부주의 상태라고 결정한다(S707).
단계(S705)의 판단 결과, 운전자가 졸음 상태가 아니라면, 인공 지능 장치(100)의 프로세서(180)는 후진 기어가 연결되었는지 여부를 판단한다(S709).
변속기 기어 상태는 현재 변속기에 어떤 기어가 연결되었는지를 포함할 수 있다. 만약, 차량이 후진 기어가 연결된 경우라면, 운전자는 후진을 위하여 차량의 전방뿐만 아니라 측면과 후방을 확인하고자 할 것이다. 따라서, 후진 기어가 연결된 상태에서는 주행 기어 상태와는 달리 운전자의 머리 또는 얼굴의 움직임과 눈의 움직임이 더 크게 나타날 수 있다.
단계(S709)의 판단 결과, 후진 기어가 연결된 경우, 인공 지능 장치(100)의 프로세서(180)는 운전자의 부주의 여부를 판단하지 않고 절차를 종료한다. 즉, 결정된 운전자의 상태인지 판단하는 단계(S513)로 진행한다.
또는, 인공 지능 장치(100)의 프로세서(180)는 운전자가 부주의 상태가 아니라고 결정할 수도 있다.
단계(S709)의 판단 결과, 후진 기어가 연결되지 않은 경우, 인공 지능 장치(100)의 프로세서(180)는 운전자의 얼굴 방향 또는 운전자의 시선 방향이 제2 기준 범위 안인지 판단한다(S711).
제2 기준 범위는 정상적으로 운전하는 경우의 운전자의 얼굴 방향 또는 운전자의 시선 방향을 제시하는 기본 판단 범위이다. 예컨대, 제2 기준 범위는 상하 30도 이내, 좌우 60도 이내일 수 있다. 만약, 운전자의 얼굴 방향 또는 시선 방향이 제2 기준 범위 이내라면, 차량이 직진 중이건 선회 중이건 상관 없이 운전자가 부주의 상태가 아니라고 볼 수 있다.
단계(S711)의 판단 결과, 운전자의 얼굴 방향 또는 운전자의 시선 방향이 제2 기준 범위 안인 경우, 인공 지능 장치(100)의 프로세서(180)는 운전자가 부주의 상태가 아니라고 결정한다(S713).
단계(S711)의 판단 결과, 운전자의 얼굴 방향 또는 운전자의 시선 방향이 제2 기준 범위 안이 아닌 경우, 인공 지능 장치(100)의 프로세서(180)는 조향 각도 또는 방향 지시등의 점등 상태를 고려하여 제3 기준 범위를 결정한다(S715).
제3 기준 범위는 제2 기준 범위로부터 수정된 범위로, 차량이 선회하는 상황에서 운전자가 바라보는 시야가 넓어지는 것을 반영하여 보다 정확하게 운전자의 부주의 상태를 결정하기 위함이다.
조향 각도가 크게 나타난다면, 운전자는 조향 각도 (또는 스티어링 각도)에 상응하는 방향을 자주 바라볼 수 있다. 예컨대, 우회전을 위하여 미리 핸들을 시계 방향으로 돌린 상황이나, 우회전 중에 핸들을 시계 방향으로 돌린 상황에서, 운전자는 안전을 위해 기본적으로 우측을 많이 바라보게 될 것이며, 추가적으로 좌측도 바라볼 수 있다. 따라서, 프로세서(180)는 조향 각도를 고려하여 제2 기준 범위를 수정한 제3 기준 범위를 결정할 수 있고, 결정된 제3 기준 범위는 운전자의 부주의 상태를 결정하는 기준으로써 이용될 수 있다.
방향 지시등은 운전자가 선회를 진행중인 경우뿐만 아니라, 선회를 준비하는 상황에 점등할 수 있으며, 따라서 운전자의 선회 의도를 나타낼 수 있다. 운전자가 선회 의도를 갖고 방향 지시등을 점등시키더라도 그 시점에서 바로 핸들을 돌리지 않을 수도 있다. 이처럼, 운전자는 안전을 위해 방향 지시등을 점등하고 측면을 살필 수 있기에, 조향 각도가 변하지 않더라도 선회를 고려하여 운전자가 부주의 상태인지 판단할 필요가 있다.
프로세서(180)는 부주의 판단 프로파일에 포함된 상 방향 문턱 값 계수, 하 방향 문턱 값 계수, 좌 방향 문턱 값 계수, 우 방향 문턱 값 계수를 이용하여, 제2 기준 범위에서 상 방향 문턱 값에 상 방향 문턱 값 계수를 곱하고, 하 방향 문턱 값에 하 방향 문턱 값 계수를 곱하고, 좌 방향 문턱 값에 좌 방향 문턱 값 계수를 곱하고, 우 방향 문턱 값에 우 방향 문턱 값 계수를 곱함으로써 제3 기준 범위를 결정할 수 있다.
각 방향 문턱 값 계수들은 조향 각도에 종속적인 계수일 수 있다. 예컨대, 조향 각이 우측 10도일 때의 각 방향 문턱 값 계수들과 우측 30도일 때의 각 방향 문턱 값 계수들은 서로 다를 수 있다. 예컨대, 각 방향 문턱 값 계수들은 조향 각도의 절댓값에 대한 증가 함수로써 표현될 수 있다. 반면, 방향 지시등은 조향 각도와는 달리 이산적인 값으로 표현되므로, 각 방향 문턱 값 계수들은 어떤 방향 지시등이 점등되었는지에 종속적인 계수일 수 있다.
만약, 조향 각도도 0도이고, 방향 지시등도 점등되어있지 않다면, 각 방향 문턱 값 계수들은 모두 1일 수 있다. 이는 제3 기준 범위가 제2 기준 범위와 동일하게 결정됨을 의미한다.
부주의 판단 프로파일이 각 차량과 각 운전자별로 구분되어 설정될 수 있으므로, 각 방향 문턱 값 계수도 운전자별로 상이하게 설정될 수 있으며, 마찬가지로 제3 기준 범위도 각 운전자별로 상이할 수 있다. 그리고, 각 운전자별로 설정되는 방향 문턱 값 계수들은 운전자의 피드백에 기초하여 조정될 수 있다. 예컨대, 현재 정해진 방향 문턱 값 계수들을 이용하여 결정한 제3 기준 범위를 이용하였을 때 운전자가 부주의 상태라고 결정되었지만, 운전자가 부주의 상태가 아니라고 피드백을 제공하였다면, 프로세서(180)는 획득한 피드백에 기초하여 잘못된 판단을 한 시점에서의 운전자의 얼굴 방향 또는 시선 방향이 제3 기준 범위 이내에 포함될 수 있도록 방향 문턱 값 계수들을 조정할 수 있다. 또는, 각 운전자는 직접 입력을 통해 방향 문턱 값 계수들을 설정할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 운전자의 얼굴 방향 또는 운전자의 시선 방향이 결정된 제3 기준 범위 안인지 판단한다(S717).
단계(S717)의 판단 결과, 운전자의 얼굴 방향 또는 운전자의 시선 방향이 결정된 제3 기준 범위 안인 경우, 인공 지능 장치(100)의 프로세서(180)는 운전자가 부주의 상태가 아니라고 결정한다(S713).
단계(S717)의 판단 결과, 운전자의 얼굴 방향 또는 운전자의 시선 방향이 결정된 제3 기준 범위 안이 아닌 경우, 인공 지능 장치(100)의 프로세서(180)는 운전자가 부주의 상태라고 결정한다(S707).
실시 예에 따라, 프로세서(180)는 운전자의 얼굴 방향 또는 운전자의 시선 방향이 결정된 제3 기준 범위를 벗어나는 즉시 운전자가 부주의 상태라고 결정할 수도 있지만, 운전자의 얼굴 방향 또는 운전자의 시선 방향이 결정된 제3 기준 범위를 벗어난 기간을 고려하여 운전자가 부주의 상태라고 결정할 수도 있다. 예컨대, 운전자가 1초 미만으로 잠깐 고개를 돌려서 운전자의 얼굴 방향과 시선 방향이 모두 제3 기준 범위를 벗어난다고 하더라도, 이런 일시적인 움직임에 대해서는 프로세서(180)가 운전자가 부주의 상태라고 판단하지 않을 수 있다. 반면, 일정 시간 이상 (예컨대, 3초 이상) 운전자의 얼굴 방향과 시선 방향이 모두 제3 기준 범위를 벗어나게 된다면, 프로세서(180)는 운전자가 부주의 상태라고 판단할 수 있다.
도 7에 도시된 단계들이 서로 순서가 변경되더라도 결과에 지장이 없는 경우에는, 서로 순서가 변경되어 수행될 수도 있다. 마찬가지로, 도 7에 도시된 단계들이 서로 병렬적으로 수행되더라도 결과에 지장이 없는 경우라면, 병렬적으로 수행될 수도 있다.
도 7에 도시된 단계들은 운전자의 부주의를 판단하는 방법을 구현하는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 예컨대, 인공 지능 장치(100)의 프로세서(180)는 현재 차량이 주행 중인 도로의 최고 속도와 대비하여 속도가 지속적으로 줄어들거나, 속도가 지속적으로 증가하는 경우에는 운전자가 부주의 상태라고 판단할 수 있다. 또는, 인공 지능 장치(100)의 프로세서(180)는 차량이 고속도로에서 주행 중인 상황에서 가속 페달의 압력이 줄어들고 차량의 속도가 지속적으로 줄거나 미리 정해진 기준 값 이하로 줄어들게 될 경우에는 운전자가 부주의 상태라고 판단할 수 있다.
특히, 인공 지능 장치(100)의 프로세서(180)는 조도 센서를 통하여 또는 이미지 데이터에서의 픽셀들의 밝기에 기초하여 운전자를 기준으로 역광인지 여부를 판단할 수 있고, 역광인 경우라면 운전자가 눈을 뜨기 쉽지 않거나 운전자의 시선 방향을 정확하게 인식하기 어려우므로, 부주의 여부를 판단하는 요소로써의 시선 방향이나 눈을 감은 정도를 고려하지 않을 수 있다.
도 8 및 9는 본 개시의 일 실시 예에 따른 제2 기준 범위와 제3 기준 범위의 예시들을 나타낸 도면이다.
제2 기준 범위와 제3 기준 범위는 얼굴 방향 또는 시선 방향에 대응하는 기준 범위이다. 도 8의 (a)와 도 9의 (a)는 제2 기준 범위이고, 도 8의 (b)와 도 9의 (b)는 우회전하는 상황에서의 제3 기준 범위이다. 즉, 도 8의 (b)와 도 9의 (b)는 조향 각도가 우측 방향인 상황이거나, 우측 방향 지시등이 점등된 상황에서의 제3 기준 범위를 나타낸다.
도 8 및 9를 참조하면, 얼굴 방향 또는 시선 방향에 대응하는 기준 범위는 상 방향 문턱 값, 하 방향 문턱 값, 좌 방향 문턱 값 및 우 방향 문턱 값을 포함할 수 있다. 여기서, 한 칸은 30도이다.
제2 기준 범위는 우 방향 문턱 값과 좌 방향 문턱 값이 60도이고, 상 방향 문턱 값과 하 방향 문턱 값이 30도이다. 제3 기준 범위는 우 방향 문턱 값이 120도이고, 좌 방향 문턱 값이 90도이고, 상 방향 문턱 값과 하 방향 문턱 값이 45도이다. 이 경우, 우 방향 문턱 값 계수는 2, 좌 방향 문턱 값 계수, 상 방향 문턱 값 계수 및 하 방향 문턱 값 계수는 1.5이다.
도 8에 도시된 기준 범위들은 각 문턱 값들이 서로 독립적이므로, 직교 좌표계에서 직사각형으로 표현된다. 그러나, 도 9에 도시된 기준 범위들은 각 문턱 값들이 서로 종속적이므로, 직교 좌표계에서 직사각형이 아닌 타원으로 표현된다. 도 9 또한 하나의 예시에 불과하기에, 얼굴 방향 또는 시선 방향에 대응하는 기준 범위는 타원이 아닌 다양한 형태의 도형으로 표현될 수 있다.
도 8과 도 9를 서로 비교하면, 운전자가 우측 60도 상측 30도 방향을 바라보는 상황에서, 도 8의 예시에서는 제2 기준 범위 이내인 것으로 판단되지만, 도 9의 예시에서는 제2 기준 범위 이내가 아닌 것으로 판단된다.
도 10은 본 개시의 일 실시 예에 따른 조향 각도와 방향 경계 값 계수들 사이의 관계를 나타낸 도면이다.
도 10을 참조하면, 각 방향 경계 값 계수들은 조향 각도에 종속적으로 결정될 수 있다. 도 10에서 조향 각도는 x축에 표현되며, x축의 양의 방향은 우측 방향의 조향 각도를 의미하며, x축의 음의 방향은 좌측 방향의 조향 각도를 의미한다. 그리고, x축의 1칸은 10도일 수 있다. 도 10에서 방향 경계 값 계수는 y축에 표현되며, y축의 1칸은 1일 수 있다.
도 10의 (a)는 조향 각도와 좌 방향 경계 값 계수 사이의 관계(1001)를 나타낸 도면이고, 도 10의 (b)는 조향 각도와 우 방향 경계 값 계수 사이의 관계(1011)를 나타낸 도면이다. 도 10에 도시된 관계들(1001, 1002)은 모든 운전자에게 동일하게 적용되는 기본 값일 수 있다. 추후에 운전자의 피드백에 따라 도 10에 도시된 관계들(1001, 1002)이 갱신될 수도 있다.
도 10의 (a)를 참조하면, 좌 방향 경계 값 계수는 조향 방향이 왼쪽이나 오른쪽에 상관없이 조향 각도가 증가함에 따라 증가하는 관계를 가질 수 있다. 좌 방향 경계 값 계수는 조향 방향이 우측일 때보다 조향 방향이 좌측일 때 조향 각도에 더욱 민감하게 반응하여 증가할 수 있다. 마찬가지로, 도 10의 (b)를 참조하면, 우 방향 경계 값 계수는 조향 방향이 좌측일 때보다 조향 방향이 우측일 때 조향 각도에 더욱 민감하게 반응하여 증가할 수 있다.
도 10의 (a)와 (b)에서 도시한, 조향 각도와 좌 방향 경계 값 계수 사이의 관계(1001) 및 조향 각도와 우 방향 경계 값 사이의 관계(1011)는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다.
도 11은 본 개시의 일 실시 예에 따른 제3 기준 범위를 갱신하는 방법을 나타낸 도면이다.
제3 기준 범위를 갱신하는 방법은 도 5에 도시된 운전자의 부주의를 판단하는 방법에 이어서 수행될 수 있다.
도 11을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 부주의 알람을 출력한다(S1101). 본 단계는 도 5에 도시된 부주의 알람을 출력하는 단계(S515)에 대응된다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 마이크로폰(122)을 통해 운전자의 음성 피드백을 수신한다(S1103).
운전자의 음성 피드백은 동승자와의 대화하거나 노래를 부르는 것과 같이 부주의 알람과는 관련 없는 중립 피드백일 수도 있고, 부주의 알람에 대한 긍정적 피드백일 수도 있고, 부주의 알람에 대한 부정적 피드백일 수도 있다. 중립 피드백은 부주의 알람에 대하여 음성 피드백을 제공하지 않은 것을 의미하며, 긍정적 피드백과 부정적 피드백은 부주의 알람에 대하여 만족도 또는 평가를 하는 음성 피드백을 제공하는 것이다.
음성 피드백은 명시적인 음성 피드백뿐만 아니라 암시적인 음성 피드백도 포함할 수 있다. 예컨대, 운전자가 탄식을 한다거나, 혀를 찬다거나, 소리를 지르는 등 부정적인 소리를 내면, 프로세서(180)는 이를 부정적인 피드백으로 판단할 수 있다.
또는, 프로세서(180)는 카메라(121)를 통해 수신한 이미지 데이터에서 운전자의 표정의 변화를 피드백으로써 수신할 수도 있다. 예컨대, 운전자가 부주의 알람의 출력 이후에 운전자가 얼굴을 찡그리는 경우라면, 프로세서(180)는 이를 운전자의 부정적 피드백으로써 수신할 수 있다.
일 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 운전자의 음성 피드백을 유도하기 위하여, 음향 출력부(152)를 통해 부주의 상태라는 판단에 대한 평가를 요청하는 음성을 출력하고, 운전자의 응답으로써의 음성 피드백을 획득할 수도 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 수신한 음성 피드백이 부정적 피드백인지 판단한다(S1105).
단계(S1105)의 판단 결과, 음성 피드백이 부정적 피드백인 경우, 인공 지능 장치(100)의 프로세서(180)는 각 방향 문턱 값 계수 중 적어도 일부를 증가시킨다(S1107).
각 방향 문턱 값 계수는 운전자별로 구분되어 설정되며, 제2 기준 범위로부터 제3 기준 범위를 결정하는데 이용되는 계수이다. 특정 상황에서 부주의 알람을 출력하였으나 운전자로부터 부정적 피드백을 수신한 경우라면, 해당 상황에서는 운전자가 부주의 상태가 아니라고 판단할 필요가 있다. 따라서, 제3 기준범위를 결정하는데 이용되는 각 방향 문턱 값 계수들 중에서 적어도 일부를 증가시킴으로써, 제3 기준 범위를 넓힐 수 있다.
예를 들어, 제2 기준 범위는 우 방향 문턱 값과 좌 방향 문턱 값이 60도이고, 상 방향 문턱 값과 하 방향 문턱 값이 30도라 가정한다. 또한, 운전자가 우회전을 위해 우측 방향 지시등을 점등한 상황에서, 우 방향 문턱 값 계수는 2, 좌 방향 문턱 값 계수, 상 방향 문턱 값 계수 및 하 방향 문턱 값 계수는 1.5이며, 이에 따라 제3 기준 범위는 우 방향 문턱 값이 120도이고, 좌 방향 문턱 값이 90도이고, 상 방향 문턱 값과 하 방향 문턱 값이 45도라고 가정한다. 운전자가 우회전을 위하여 좌측 창문이나 좌측 사이드 미러를 바라보기 위해 머리를 좌측으로 95도 돌린다면, 프로세서(180)는 제3 기준 범위를 벗어난 얼굴 방향이라 판단하여 부주의 알람을 출력할 수 있다. 그리고, 이에 대하여 운전자가 부정적인 음성 피드백을 제공하는 경우에는, 프로세서(180)는 제3 기준 범위에서 좌 방향 문턱 값이 90도에서 95도 또는 그 이상으로 바뀔 수 있도록, 좌 방향 문턱 값 계수를 1.5에서 1.6으로 증가시킬 수 있다.
각 운전자별로 프로파일이 구분되어 관리되므로, 각 방향 문턱 값 계수또한 각 운전자별로 구분되어 설정 및 갱신되며, 따라서 제3 기준 범위도 각 운전자별로 구분되어 결정될 수 있다.
단계(S1105)의 판단 결과, 음성 피드백이 부정적 피드백이 아닌 경우, 인공 지능 장치(100)의 프로세서(180)는 별도의 갱신 절차를 수행하지 않고 절차를 종료한다.
다만, 실시 예에 따라, 인공 지능 장치(100)의 프로세서(180)는 운전자로부터 부정적 피드백이 아닌 피드백을 수신한 상황이라고 하더라도, 시간의 흐름에 따라 각 방향 문턱 값 계수를 감소시킴으로써 제3 기준 범위를 좁힐 수 있다. 만약, 운전자의 부정적 피드백에 기초하여 제3 기준 범위를 넓히기만 한다면, 한 번 넓어진 제3 기준 범위를 다시 좁히는 방법이 없어지게 되며, 이로 인하여 운전자가 실제로 부주의 상태임에도 불구하고 부주의로 인식하지 못하는 거짓 음성(false negative)의 오판이 발생할 수 있기 때문이다.
각 방향 문턱 값 계수가 시간에 따라 감소되더라도, 감소되는 한계는 초기 값(initial value)일 수 있다. 각 방향 문턱 값 계수는 각 운전자별로 구분되어 관리되지만, 각 운전자별로 구분되어 설정되기 전에 초기 값이 설정된다. 즉, 각 방향 문턱 값 계수의 초기 값은 모든 운전자들에게 동일하게 설정된다. 그리고, 시간에 따른 각 방향 문턱 값 계수의 감소는 그 하한선이 초기 값으로 설정될 수 있다.
도 12는 본 개시의 일 실시 예에 따른 부정적 피드백에 기초하여 갱신한 조향 각도와 방향 경계 값 계수들 사이의 관계를 나타낸 도면이다.
도 12을 참조하면, 운전자의 부정적 피드백에 기초하여 조향 각도와 방향 경계 값 계수들 사이의 관계가 갱신될 수 있다. 도 10과 마찬가지로, 도 12에서 조향 각도는 x축에 표현되며, x축의 양의 방향은 우측 방향의 조향 각도를 의미하며, x축의 음의 방향은 좌측 방향의 조향 각도를 의미한다. 그리고, x축의 1칸은 10도일 수 있다. 도 12에서 방향 경계 값 계수는 y축에 표현되며, y축의 1칸은 1일 수 있다.
도 12의 (a)는 조향 각도와 좌 방향 경계 값 계수 사이의 관계의 갱신되기 전(1201)과 운전자의 부정적 피드백에 의하여 갱신된 후(1202)를 나타낸 도면이고, 도 12의 (b)는 조향 각도와 우 방향 경계 값 계수 사이의 관계의 기본 값(1211)과 운전자의 부정적 피드백에 의하여 갱신된 값(1212)를 나타낸 도면이다. 운전자의 부정적 피드백을 수신하게 되면, 프로세서(180)는 각 방향 경계 값 계수 중에서 적어도 일부를 증가시킴으로써 동일한 상황에서 운전자가 부주의한 상태라고 잘못 판단하지 않을 수 있다.
도 13은 도 5에 도시된 운전자의 부주의 여부를 판단하는 단계(S511)의 일 예를 나타낸 동작 흐름도이다.
도 13은 운전자의 부주의를 판단하는 방법 중에서도 신경망 기반 부주의 판단 모델을 이용하여 운전자의 부주의를 판단하는 방법의 일 예를 도시한다.
도 13을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 운전자의 부주의를 판단하는데 이용할 부주의 판단 모델을 선택한다(S1301).
부주의 판단 모델은 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 인공 신경망 기반의 운전자의 부주의를 판단하는 모델을 의미할 수 있다. 부주의 판단 모델은 차량의 종류마다 구분될 수 있으며, 나아가 운전자별로도 구분될 수도 있다.
다른 실시 예에서, 부주의 판단 모델의 입력에 차량 종류 (또는 차량 식별 정보)와 운전자 정보 (또는 운전자 식별 정보)가 포함될 수 있고, 그에 따라 단일한 부주의 판단 모델이라 하더라도 각 차량과 각 운전자별로 구분되는 부주의의 판단이 가능할 수 있다.
부주의 판단 모델은 인공 지능 장치(100)의 러닝 프로세서(130)에서 직접 학습되어 메모리(170)에 저장될 수도 있다. 또는, 인공 지능 서버(200)의 러닝 프로세서(240)가 부주의 판단 모델을 학습하고, 인공 지능 장치(100)가 통신부(110)를 통해 학습된 부주의 판단 모델을 수신하여 메모리(170)에 저장할 수도 있다.
부주의 판단 모델은 다양한 운전자 시트의 움직임 정보, 운전자 상태 정보 및 차량 상태 정보의 조합에 대하여, 운전자가 부주의 상태인지가 라벨링된 학습 데이터를 이용하여 학습될 수 있다. 운전자 시트의 움직임 정보, 운전자 상태 정보 및 차량 상태 정보는 입력 특징 벡터를 구성할 수 있다. 예컨대, 한 학습 데이터는 입력 특징 벡터로써 운전자 시트의 위치가 +3cm (또는 위로 3cm), 운전자의 얼굴 방향과 시선 방향이 수직 0도 및 수평 30도 (또는 우측 30도), 운전자가 눈꺼풀 간격이 10mm, 운전자의 입술 간격이 0mm일 때, 라벨 데이터로써 운전자가 부주의 상태가 아니라는 정보가 포함될 수 있다.
프로세서(180)는 메모리(170)에 저장된 복수의 부주의 판단 모델들 중에서 차량과 현재 운전자에 대응하는 부주의 판단 모델을 선택할 수 있다. 이를 위해, 프로세서(180)는 얼굴 인식 모델 또는 얼굴 식별 모델을 이용하여 수신한 이미지 데이터로부터 운전자를 식별하고, 식별된 운전자에 대응하는 부주의 판단 모델을 선택할 수 있다. 또한, 프로세서(180)는 미리 설정된 차량 식별 정보 또는 차량의 전자 제어 장치로부터 획득한 차량 식별 정보에 기초하여 현재 차량에 대응하는 부주의 판단 모델을 선택할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 선택된 부주의 판단 모델을 이용하여 운전자의 부주의 상태를 판단한다(S1303).
구체적으로, 프로세서(180)는 생성한 운전자 시트의 움직임 정보, 생성한 운전자 상태 정보 및 수신한 차량 상태 정보를 선택된 부주의 판단 모델의 입력층에 입력하고, 선택된 부주의 판단 모델의 출력층에서의 출력에 기초하여 운전자가 부주의 상태인지를 결정할 수 있다. 부주의 판단 모델은 운전자가 부주의 상태인지 또는 부주의 상태가 아닌지 판단하므로, 분류(classification) 모델로써 구현될 수 있다.
도 14는 본 개시의 일 실시 예에 따른 운전자 부주의를 판단하는 방법을 나타낸 도면이다.
도 14를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 수신한 이미지 데이터(1410)을 얼굴 인식 모델(1420)에 입력함으로써, 식별 정보(1431), 얼굴 방향(1432), 시선 방향(1433), 눈꺼풀 간격(1434), 입술 사이 간격(1435) 등의 운전자 상태 정보를 획득 (또는 생성)할 수 있다.
그리고, 프로세서(180)는 식별 정보(1431)을 이용하여 운전자에 대응하는 부주의 판단 모델(1460)을 선택할 수 있다.
그리고, 프로세서(180)는 획득한 운전자 상태 정보, 운전자 시트의 움직임 정보(1440) 및 차량 상태 정보(1450)을 선택된 부주의 판단 모델(1460)에 입력함으로써, 운전자의 부주의 여부(1470)를 판단할 수 있다.
도 15는 본 개시의 일 실시 예에 따른 부주의 판단 모델을 갱신하는 방법을 나타낸 도면이다.
부주의 판단 모델을 갱신하는 방법은 도 5에 도시된 운전자의 부주의를 판단하는 방법에 이어서 수행될 수 있다.
도 15를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 부주의 알람을 출력한다(S1501). 본 단계는 도 5에 도시된 부주의 알람을 출력하는 단계(S515) 또는 도 11에 도시된 부주의 알람을 출력하는 단계(S1101)에 대응된다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 마이크로폰(122)을 통해 운전자의 음성 피드백을 수신한다(S1503). 본 단계는 도 11에 도시된 음성 피드백을 수신하는 단계(S1103)에 대응된다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 수신한 음성 피드백 부정적 피드백인지 판단한다(S1505). 본 단계는 도 11에 도시된 음성 피드백이 부정적 피드백인지 판단하는 단계(S1105)에 대응된다.
단계(S1505)의 판단 결과, 음성 피드백이 부정적 피드백인 경우, 인공 지능 장치(100)의 프로세서(180)는 부정적 피드백에 기초한 갱신용 학습 데이터를 생성한다(S1507).
프로세서(180)는 운전자가 부주의 상태라고 판단하는데 이용되었던 운전자 시트의 움직임 정보, 운전자 상태 정보 및 차량 상태 정보와 운전자의 부정적 피드백에 따라 상기 상태에서 운전자가 부주의 상태가 아니라는 라벨을 포함하여 갱신용 학습 데이터를 생성할 수 있다. 생성된 갱신용 학습 데이터는 해당 운전자에 대응하는 부주의 판단 모델의 갱신에만 이용될 수 있다. 이에 따라, 각 운전자마다 최적화된 부주의 판단 모델을 구축할 수 있다.
단계(S1505)의 판단 결과, 음성 피드백이 부정적 피드백이 아닌 경우, 인공 지능 장치(100)의 프로세서(180)는 수신한 음성 피드백이 긍정적 피드백인지 판단한다(S1509).
단계(S1509)의 판단 결과, 음성 피드백이 긍정적 피드백인 경우, 긍정적 피드백에 기초한 갱신용 학습 데이터를 생성한다(S1511).
프로세서(180)는 운전자가 부주의 상태라고 판단하는데 이용되었던 운전자 시트의 움직임 정보, 운전자 상태 정보 및 차량 상태 정보와 운전자의 부정적 피드백에 따라 상기 상태에서 운전자가 부주의 상태라는 라벨을 포함하여 갱신용 학습 데이터를 생성할 수 있다. 마찬가지로, 생성된 갱신용 학습 데이터는 해당 운전자에 대응하는 부주의 판단 모델의 갱신에만 이용될 수 있다.
갱신용 학습 데이터가 생성된 이후에는, 인공 지능 장치(100)의 프로세서(180)는 생성된 갱신용 학습 데이터를 이용하여 선택된 부주의 판단 모델을 갱신한다(S1513).
인공 지능 장치(100)의 프로세서(180)는 직접 또는 러닝 프로세서(130)를 이용하여 생성된 갱신용 학습 데이터를 이용하여 선택된 부주의 판단 모델의 모델 파라미터를 갱신함으로써, 선택된 부주의 판단 모델을 갱신할 수 있다.
또는, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 생성된 갱신용 학습 데이터와 선택된 부주의 판단 모델을 인공 지능 서버(200)에 전송하고, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)는 수신한 갱신용 학습 데이터를 이용하여 수신한 부주의 판단 모델의 모델 파라미터를 갱신하고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 갱신된 부주의 판단 모델을 수신함으로써, 선택된 부주의 판단 모델을 갱신할 수 있다.
갱신용 학습 데이터가 생성되지 않은 경우, 별도의 갱신 절차를 수행하지 않고 절차를 종료한다.
다만, 실시 예에 따라, 인공 지능 장치(100)의 프로세서(180)는 운전자로부터 부정적 피드백이 아닌 피드백을 수신한 상황이라고 하더라도, 시간의 흐름에 따라 각 방향 문턱 값 계수를 감소시킴으로써 제3 기준 범위를 좁힐 수 있다. 만약, 운전자의 부정적 피드백에 기초하여 제3 기준 범위를 넓히기만 한다면, 한 번 넓어진 제3 기준 범위를 다시 좁히는 방법이 없어지게 되며, 이로 인하여 운전자가 실제로 부주의 상태임에도 불구하고 부주의로 인식하지 못하는 거짓 음성(false negative)의 오판이 발생할 수 있기 때문이다.
본 개시의 일 실시 예에 따르면, 전술한 방법은 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.

Claims (15)

  1. 운전자의 부주의를 판단하는 인공 지능 장치에 있어서,
    차량의 운전자 시트(seat)의 움직임을 감지하는 진동 센서 또는 자이로 센서;
    운전자의 얼굴을 포함하는 이미지 데이터를 수신하는 카메라;
    상기 차량의 전자 제어 장치(ECU: Electronic Control Unit)로부터 차량 상태 정보를 수신하는 통신부; 및
    상기 진동 센서로부터 수신한 진동 센서 정보 또는 상기 자이로 센서로부터 수신한 자이로 센서 정보를 이용하여 상기 운전자 시트의 움직임 정보를 생성하고, 상기 수신한 이미지 데이터로부터 상기 운전자에 상응하는 운전자 상태 정보를 생성하고, 상기 운전자 시트의 상기 움직임 정보, 상기 운전자 상태 정보 및 상기 차량 상태 정보에 기초하여 상기 운전자가 부주의 상태인지 판단하고, 상기 운전자가 상기 부주의 상태인 경우 부주의 알람을 출력하는 프로세서
    를 포함하는, 인공 지능 장치.
  2. 청구항 1에 있어서,
    상기 프로세서는
    얼굴 인식 모델을 이용하여 상기 이미지 데이터로부터 상기 운전자의 식별 정보, 상기 운전자의 얼굴 방향, 상기 운전자의 시선 방향, 상기 운전자의 눈꺼풀 간격 또는 상기 운전자의 입술 간격 중에서 적어도 하나 이상을 상기 운전자 상태 정보로써 생성하고,
    상기 얼굴 인식 모델은
    딥 러닝 알고리즘을 이용하여 학습된 합성곱 신경망(CNN: Convolution Neural Network)을 포함하는, 인공 지능 장치.
  3. 청구항 2에 있어서,
    상기 차량 상태 정보는
    상기 차량의 속도, 엔진의 회전 수, 변속기 기어 상태, 페달 압력, 조향 각도 또는 방향 지시등의 점등 상태 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
  4. 청구항 3에 있어서,
    상기 프로세서는
    상기 차량의 종류와 상기 운전자의 식별 정보를 고려하여 상기 운전자의 부주의를 판단하는데 이용할 부주의 판단 프로파일(profile)을 선택하고, 상기 선택된 부주의 판단 프로파일을 이용하여 상기 운전자의 부주의를 판단하고,
    상기 부주의 판단 프로파일은
    상기 운전자의 부주의를 판단하는데 이용하는 기준 값들의 모임인, 인공 지능 장치.
  5. 청구항 4에 있어서,
    상기 프로세서는
    상기 운전자 시트의 움직임이 상기 선택된 부주의 판단 프로파일에 포함된 제1 기준 범위 밖이거나 상기 변속기 기어 상태가 후진 기어 연결 상태인 경우, 상기 운전자의 부주의 상태를 판단하지 않는, 인공 지능 장치.
  6. 청구항 4에 있어서,
    상기 프로세서는
    상기 얼굴 방향, 상기 시선 방향, 상기 눈꺼풀 간격 또는 상기 입술 간격 중에서 적어도 하나 이상을 고려하여 상기 운전자가 졸음 상태인지 여부를 판단하고, 상기 운전자가 졸음 상태인 경우에는 부주의 상태라고 판단하는, 인공 지능 장치.
  7. 청구항 4에 있어서,
    상기 프로세서는
    상기 얼굴 방향 또는 상기 시선 방향이 상기 선택된 부주의 판단 프로파일에 포함된 제2 기준 범위 이내에 포함되는 경우, 상기 운전자가 부주의 상태가 아니라 판단하는, 인공 지능 장치.
  8. 청구항 7에 있어서,
    상기 프로세서는
    상기 얼굴 방향 또는 상기 시선 방향이 상기 제2 기준 범위 이내에 포함되지 않는 경우, 상기 조향 각도 또는 상기 방향 지시등의 점등 상태를 고려하여 4개 방향에 대한 문턱 값 계수들을 결정하고, 상기 결정된 4개 방향에 대한 문턱 값 계수들을 이용하여 상기 제2 기준 범위로부터 제3 기준 범위를 결정하고, 상기 얼굴 방향 또는 상기 시선 방향이 상기 결정된 제3 기준 범위 이내에 포함되는 경우 상기 운전자가 부주의 상태가 아니라 판단하고, 상기 얼굴 방향 또는 상기 시선 방향이 상기 결정된 제3 기준 범위 이내에 포함되지 않는 경우 상기 운전자가 부주의 상태라 판단하고,
    상기 부주의 판단 프로파일은
    상기 조향 각도 또는 상기 방향 지시등의 점등 상태와 상기 4개 방향에 대한 문턱 값 계수들 사이의 관계를 포함하는, 인공 지능 장치.
  9. 청구항 8에 있어서,
    마이크로폰
    을 더 포함하고,
    상기 프로세서는
    상기 부주의 알람의 출력 이후에 상기 마이크로폰을 통해 상기 운전자의 음성 피드백을 수신하고, 상기 음성 피드백이 부정적 피드백인 경우 상기 부정적 피드백에 기초하여 상기 4개 방향에 대한 문턱 값 계수들 중에서 적어도 하나 이상을 증가시키는, 인공 지능 장치.
  10. 청구항 9에 있어서,
    상기 프로세서는
    시간이 흐름에 따라 상기 4개 방향에 대한 문턱 값 계수들을 감소시키는, 인공 지능 장치.
  11. 청구항 3에 있어서,
    상기 차량의 종류와 상기 운전자의 식별 정보를 고려하여 상기 운전자의 부주의를 판단하는데 이용할 부주의 판단 모델을 선택하고, 상기 선택된 부주의 판단 모델을 이용하여 상기 운전자의 부주의를 판단하고,
    상기 부주의 판단 모델은
    인공 신경망을 포함하고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 인공 지능 장치.
  12. 청구항 11에 있어서,
    상기 부주의 판단 모델은
    상기 얼굴 방향, 상기 시선 방향, 상기 눈꺼풀 간격, 상기 입술 간격, 상기 운전자 시트의 움직임 정보 또는 상기 차량 상태 정보 중에서 적어도 하나 이상을 포함하는 입력 특징 벡터와 상기 입력 특징 벡터에 대응하는 부주의 여부가 라벨링된 학습 데이터를 이용하여 학습되는, 인공 지능 장치.
  13. 청구항 12에 있어서,
    마이크로폰
    을 더 포함하고,
    상기 프로세서는
    상기 부주의 알람의 출력 이후에 상기 마이크로폰을 통해 상기 운전자의 음성 피드백을 수신하고, 상기 음성 피드백이 부정적 피드백인 경우 상기 부정적 피드백에 기초한 갱신용 학습 데이터를 생성하고, 상기 음성 피드백이 긍정적 피드백인 경우 상기 긍정적 피드백에 기초한 갱신용 학습 데이터를 생성하고, 상기 생성된 갱신용 학습 데이터를 이용하여 상기 부주의 판단 모델을 갱신하는, 인공 지능 장치.
  14. 운전자의 부주의를 판단하는 방법에 있어서,
    진동 센서 또는 자이로 센서를 이용하여 차량의 운전자 시트의 움직임을 감지하는 단계;
    상기 진동 센서로부터 수신한 진동 센서 정보 또는 상기 자이로 센서로부터 수신한 자이로 센서 정보를 이용하여 상기 운전자 시트의 움직임 정보를 생성하는 단계;
    카메라로부터 운전자의 얼굴을 포함하는 이미지 데이터를 수신하는 단계;
    상기 수신한 이미지 데이터로부터 상기 운전자에 상응하는 운전자 상태 정보를 생성하는 단계;
    상기 차량의 전자 제어 장치로부터 차량 상태 정보를 수신하는 단계;
    상기 운전자 시트의 상기 움직임 정보, 상기 운전자 상태 정보 및 상기 차량 상태 정보에 기초하여 상기 운전자가 부주의 상태인지 판단하는 단계; 및
    상기 운전자가 상기 부주의 상태인 경우 부주의 알람을 출력하는 단계
    를 포함하는, 방법.
  15. 운전자의 부주의를 판단하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서, 상기 방법은,
    진동 센서 또는 자이로 센서를 이용하여 차량의 운전자 시트의 움직임을 감지하는 단계;
    상기 진동 센서로부터 수신한 진동 센서 정보 또는 상기 자이로 센서로부터 수신한 자이로 센서 정보를 이용하여 상기 운전자 시트의 움직임 정보를 생성하는 단계;
    카메라로부터 운전자의 얼굴을 포함하는 이미지 데이터를 수신하는 단계;
    상기 수신한 이미지 데이터로부터 상기 운전자에 상응하는 운전자 상태 정보를 생성하는 단계;
    상기 차량의 전자 제어 장치로부터 차량 상태 정보를 수신하는 단계;
    상기 운전자 시트의 상기 움직임 정보, 상기 운전자 상태 정보 및 상기 차량 상태 정보에 기초하여 상기 운전자가 부주의 상태인지 판단하는 단계; 및
    상기 운전자가 상기 부주의 상태인 경우 부주의 알람을 출력하는 단계
    를 포함하는, 기록 매체.
KR1020190135577A 2019-10-29 2019-10-29 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법 KR20210052634A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190135577A KR20210052634A (ko) 2019-10-29 2019-10-29 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법
US16/700,470 US11042766B2 (en) 2019-10-29 2019-12-02 Artificial intelligence apparatus and method for determining inattention of driver

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190135577A KR20210052634A (ko) 2019-10-29 2019-10-29 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20210052634A true KR20210052634A (ko) 2021-05-11

Family

ID=75585870

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190135577A KR20210052634A (ko) 2019-10-29 2019-10-29 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법

Country Status (2)

Country Link
US (1) US11042766B2 (ko)
KR (1) KR20210052634A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476829B1 (ko) * 2021-10-18 2022-12-13 청주대학교 산학협력단 딥러닝을 이용한 졸음탐지방법 및 이를 이용한 졸음운전 방지시스템
KR20230071593A (ko) * 2021-11-16 2023-05-23 전남대학교산학협력단 인공 지능을 이용하여 운전자의 주시 상태를 판단하는 차량 장치 및 그 제어 방법
KR102615668B1 (ko) * 2022-07-18 2023-12-20 주식회사 옥토봇 교통안전표지 및 속도위반 단속장비를 인식하고 운전자의 졸음을 감지하는 장치 및 방법
WO2024053751A1 (ko) * 2022-09-06 2024-03-14 엘지전자 주식회사 차량의 운전자 모니터링 장치 및 그것의 동작방법
WO2024053752A1 (ko) * 2022-09-06 2024-03-14 엘지전자 주식회사 차량의 운전자 모니터링 장치 및 그것의 동작방법

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021096530A (ja) * 2019-12-13 2021-06-24 トヨタ自動車株式会社 運転支援装置、運転支援プログラムおよび運転支援システム
JP7243616B2 (ja) * 2019-12-25 2023-03-22 トヨタ自動車株式会社 情報記録再生装置、情報記録再生プログラムおよび情報記録再生システム
JP2021118478A (ja) * 2020-01-28 2021-08-10 パナソニックｉ−ＰＲＯセンシングソリューションズ株式会社 監視カメラ、カメラパラメータ決定方法およびプログラム
US11745816B2 (en) * 2020-05-28 2023-09-05 Acton, Inc. Electric vehicle with one or more cameras
JP2021196941A (ja) * 2020-06-16 2021-12-27 トヨタ自動車株式会社 ドライバ監視システム
KR20220026656A (ko) * 2020-08-25 2022-03-07 현대모비스 주식회사 차량의 주행 제어 시스템 및 방법
US11760376B2 (en) * 2020-12-29 2023-09-19 Ford Global Technologies, Llc Machine learning updating with sensor data
CN113743471B (zh) * 2021-08-05 2023-06-09 暨南大学 一种驾驶评估方法及其系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006051930B4 (de) * 2006-11-03 2017-04-06 Robert Bosch Gmbh Verfahren und Vorrichtung zur Fahrerzustandserkennung
US20160288708A1 (en) * 2015-03-30 2016-10-06 Panasonic Automotive Systems Company Of America, Division Of Panasonic Corporation Of North America Intelligent caring user interface
US10565433B2 (en) * 2017-03-30 2020-02-18 George Mason University Age invariant face recognition using convolutional neural networks and set distances
US10435035B2 (en) * 2017-10-17 2019-10-08 Denso International America, Inc. Screen reduction system for autonomous vehicles

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476829B1 (ko) * 2021-10-18 2022-12-13 청주대학교 산학협력단 딥러닝을 이용한 졸음탐지방법 및 이를 이용한 졸음운전 방지시스템
KR20230071593A (ko) * 2021-11-16 2023-05-23 전남대학교산학협력단 인공 지능을 이용하여 운전자의 주시 상태를 판단하는 차량 장치 및 그 제어 방법
KR102615668B1 (ko) * 2022-07-18 2023-12-20 주식회사 옥토봇 교통안전표지 및 속도위반 단속장비를 인식하고 운전자의 졸음을 감지하는 장치 및 방법
WO2024053751A1 (ko) * 2022-09-06 2024-03-14 엘지전자 주식회사 차량의 운전자 모니터링 장치 및 그것의 동작방법
WO2024053752A1 (ko) * 2022-09-06 2024-03-14 엘지전자 주식회사 차량의 운전자 모니터링 장치 및 그것의 동작방법

Also Published As

Publication number Publication date
US20210124962A1 (en) 2021-04-29
US11042766B2 (en) 2021-06-22

Similar Documents

Publication Publication Date Title
KR20210052634A (ko) 운전자의 부주의를 판단하는 인공 지능 장치 및 그 방법
US20190351918A1 (en) Artificial intelligence apparatus for providing notification related to lane-change of vehicle and method for the same
KR102298541B1 (ko) 이미지 데이터에서 사용자를 인식하는 인공 지능 장치 및 그 방법
US11669781B2 (en) Artificial intelligence server and method for updating artificial intelligence model by merging plurality of pieces of update information
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
US11383379B2 (en) Artificial intelligence server for controlling plurality of robots and method for the same
US11568239B2 (en) Artificial intelligence server and method for providing information to user
JPWO2019044427A1 (ja) 支援方法およびそれを利用した支援システム、支援装置
US20190360717A1 (en) Artificial intelligence device capable of automatically checking ventilation situation and method of operating the same
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
US10872438B2 (en) Artificial intelligence device capable of being controlled according to user&#39;s gaze and method of operating the same
US11755033B2 (en) Artificial intelligence device installed in vehicle and method therefor
US20190354178A1 (en) Artificial intelligence device capable of being controlled according to user action and method of operating the same
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR102263250B1 (ko) 엔진 소음 제거 장치 및 엔진 소음 제거 방법
US11210567B2 (en) Artificial intelligence apparatus and method for recognizing object
KR20190104103A (ko) 애플리케이션 구동 방법 및 장치
KR20200144202A (ko) 차량 내 승객을 위한 확장현실 장치
KR20190095193A (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
US11769047B2 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
KR20190098102A (ko) 외부 기기를 제어하기 위한 인공 지능 장치
US11604952B2 (en) Artificial intelligence apparatus using sound signal classification and method for the same
KR20190094312A (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
US10931813B1 (en) Artificial intelligence apparatus for providing notification and method for same
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal