KR20210106807A

KR20210106807A - 노면 분류 장치 및 이를 이용한 차량의 터레인 모드 제어 시스템

Info

Publication number: KR20210106807A
Application number: KR1020200021780A
Authority: KR
Inventors: 구정모; 황상필; 구형일; 김용균; 조범근; 김소연; 김민상
Original assignee: 현대자동차주식회사; 아주대학교산학협력단; 기아 주식회사
Priority date: 2020-02-21
Filing date: 2020-02-21
Publication date: 2021-08-31
Also published as: US11390287B2; CN113291291A; US20210261134A1; DE102020121406A1

Abstract

본 발명은 노면 분류 장치 및 이를 이용한 차량의 터레인 모드 제어 시스템에 관한 것으로, 심층 학습을 기반으로 차량이 주행하고 있는 노면의 종류(일례로, NORMAL, SAND, MUD, SNOW)를 파악하고, 이에 기초하여 차량의 터레인 모드를 제어함으로써, 차량이 주행하고 있는 노면의 종류를 정확도 높게 파악할 수 있으며, 아울러 최적의 터레인 모드를 설정할 수 있어 차량의 주행 안정성은 물론 승차감을 향상시킬 수 있는 노면 분류 장치 및 이를 이용한 차량의 터레인 모드 제어 시스템을 제공하고자 한다.
이를 위하여, 본 발명은 노면 분류 장치에 있어서, 심층 학습 기반의 노면모델을 저장하는 저장부; 및 상기 노면모델을 이용하여 차량이 주행중인 노면을 종류별로 분류하는 제어부를 포함한다.

Description

노면 분류 장치 및 이를 이용한 차량의 터레인 모드 제어 시스템{APPARATUS FOR CLASSIFYING ROAD SURFACE AND TERRAIN MODE CONTROL SYSTEM OF VEHICLE USING THE SAME}

본 발명은 심층 학습을 기반으로 차량이 주행하고 있는 노면의 종류(일례로, NORMAL, SAND, MUD, SNOW)를 파악하고, 이에 기초하여 차량의 터레인 모드(Terrain Mode)를 제어하는 시스템에 관한 것이다.

일반적으로, 심층 학습(Deep Learning or Deep Neural Network)은 기계 학습(Machine Learning)의 한 종류로서, 입력과 출력 사이에 여러 층의 인공 신경망(ANN, Artificial Neural Network)이 구성되어 있으며, 이러한 인공 신경망은 구조와 해결할 문제 및 목적 등에 따라 콘볼루션 신경망(CNN, Convolution Neural Network) 또는 순환 신경망(RNN, Recurrent Neural Network) 등을 포함할 수 있다.

심층 학습은 분류(classification), 회기(regression), 위치 인식(localization), 검출(detection), 분할(segmentation) 등 다양한 문제를 해결하기 위해 사용된다.

차량의 터레인 모드를 제어하는 종래의 시스템은 하나 또는 그 이상의 다른 지형 타입에 대응하는 복수의 서브시스템 제어 모드 중에서 선택된 하나의 서브시스템 제어 모드로 차량 서브시스템의 제어를 시작하기 위한 서브시스템 제어부와, 차량 주행 중의 지형을 나타내는 복수의 지형 지표 신호에 기초하여 차량이 주행중인 지형에 가장 적합한 서브시스템 제어 모드를 결정하는 결정부를 구비한다.

이러한 종래의 시스템은 복수의 지형 지표 신호에 기초하여 차량이 주행중인 지형에 가장 적합한 서브시스템 제어 모드를 결정하는 구체적인 방식으로서, 복합 정확도값(a combined probability value)을 산출하는데, 이 값으로는 노면의 상태를 정확도 높게 판단할 수 없다.

아울러, 종래의 시스템은 동역학 기반의 모델을 기반으로 노면의 상태를 판단하기 때문에 정확도 떨어진다.

이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.

본 발명은 심층 학습을 기반으로 차량이 주행하고 있는 노면의 종류(일례로, NORMAL, SAND, MUD, SNOW)를 파악하고, 이에 기초하여 차량의 터레인 모드를 제어함으로써, 차량이 주행하고 있는 노면의 종류를 정확도 높게 파악할 수 있으며, 아울러 최적의 터레인 모드를 설정할 수 있어 차량의 주행 안정성은 물론 승차감을 향상시킬 수 있는 노면 분류 장치 및 이를 이용한 차량의 터레인 모드 제어 시스템을 제공하는데 그 목적이 있다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 노면 분류 장치는, 심층 학습 기반의 노면모델을 저장하는 저장부; 및 상기 노면모델을 이용하여 차량이 주행중인 노면을 종류별로 분류하는 제어부를 포함할 수 있다.

일 실시예에서, 상기 제어부는 차량 네트워크를 통해 차량신호를 획득하며, 상기 차량신호를 주파수 도메인 신호로 변환한 후 상기 주파수 도메인 신호의 주파수 대역별 에너지 비율을 산출하고, 상기 차량신호에 기초하여 노면 상태값을 산출하며, 상기 노면모델을 기반으로 상기 주파수 대역별 에너지 비율과 상기 노면 상태값에 상응하는 노면의 종류를 파악할 수 있다.

일 실시예에서, 상기 제어부는 상기 차량 네트워크로부터 획득한 기준시간 동안의 차량신호를 순차적으로 버퍼에 저장하고, 상기 버퍼에 빈 저장공간이 없으면 가장 오래된 차량신호의 저장공간부터 순차적으로 덮어쓸 수 있다.

일 실시예에서, 상기 제어부는 상기 주파수 도메인 신호를 서로 다른 크기를 가지는 복수의 주파수 대역으로 구분할 수 있다.

일 실시예어서, 상기 제어부는 저주파 대역의 크기를 고주파 대역의 크기보다 크게 설정할 수 있다.

일 실시예에서, 상기 제어부는 제동 원활도, 핸들링 원활도, 사용자 가속 의지 대비 가속 정도, 노면의 거친 정도, ESC 개입 여부에 따른 설정값, FL 휠 슬립량의 합, FR 휠 슬립량의 합, RL 휠 슬립량의 합, RR 휠 슬립량의 합 중 적어도 하나 이상을 노면 상태값으로서 산출할 수 있다.

일 실시예에서, 상기 제어부는 상기 노면모델을 기반으로 분류된 노면 중에서 기준시간 이내로 유지되는 노면을 제거할 수 있다.

일 실시예에서, 상기 노면의 종류는 일반(NORMAL), 모레(SAND), 진흙(MUD), 눈(SNOW) 중 적어도 하나 이상을 포함할 수 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 노면 분류 장치를 이용한 차량의 터레인 모드 제어 시스템은, 심층 학습 기반의 노면모델을 이용하여 차량이 주행중인 노면을 종류별로 분류하는 노면 분류 장치; 및 상기 노면 분류 장치에 의해 분류된 노면의 종류에 기초하여 차량의 터레인 모드를 설정하는 제어기를 포함할 수 있다.

일 실시예에서, 상기 제어기는 차량의 속도가 제1 기준속도를 초과하면 노면의 종류가 변경되더라도 현재의 터레인 모드를 유지할 수 있다.

일 실시예에서, 상기 제어기는 차량의 속도가 제2 기준속도를 이하이면 노면의 종류가 변경되더라도 현재의 터레인 모드를 유지할 수 있다.

일 실시예에서, 상기 제어기는 상기 노면 분류 장치에 이상 발생시 현재의 터레인 모드를 유지할 수 있다.

일 실시예에서, 상기 제어기는 주행 특이상황, 환경 특이상황, 노면 특이상황, 차량 특이상황 중 적어도 하나 이상 발생시 차량의 현재 터레인 모드를 유지할 수 있다.

본 발명의 일 실시예에 따른 노면 분류 장치 및 이를 이용한 차량의 터레인 모드 제어 시스템은, 심층 학습을 기반으로 차량이 주행하고 있는 노면의 종류(일례로, NORMAL, SAND, MUD, SNOW)를 파악하고, 이에 기초하여 차량의 터레인 모드를 제어함으로써, 차량이 주행하고 있는 노면의 종류를 정확도 높게 파악할 수 있으며, 아울러 최적의 터레인 모드를 설정할 수 있어 차량의 주행 안정성은 물론 승차감을 향상시킬 수 있다.

도 1 은 본 발명의 일 실시예에 따른 노면 분류 장치에 대한 구성도,
도 2 는 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 버퍼의 구조를 나타내는 일예시도,
도 3 은 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 제1 연산부의 동작을 설명하는 일예시도,
도 4 는 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 후처리부의 동작을 설명하는 일예시도,
도 5 는 본 발명의 일 실시예에 따른 노면 분류 장치의 성능을 나타내는 일예시도,
도 6 은 본 발명의 일 실시예에 따른 노면 분류 장치의 성능을 나타내는 다른 예시도,
도 7 은 본 발명의 일 실시예에 따른 노면 분류 방법에 대한 일 실시예 흐름도,
도 8 은 본 발명의 일 실시예에 따른 노면 분류 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.

이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.

본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

도 1 은 본 발명의 일 실시예에 따른 노면 분류 장치에 대한 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 노면 분류 장치(100)는, 저장부(10), 접속부(20), 및 제어부(30)를 포함할 수 있다. 이때, 본 발명의 일 실시예에 따른 노면 분류 장치(100)를 실시하는 방식에 따라 각 구성요소는 서로 결합되어 하나로 구현될 수도 있고, 일부의 구성요소가 생략될 수도 있다.

상기 각 구성요소들에 대해 살펴보면, 먼저 저장부(10)는 심층 학습을 기반으로 차량이 주행하고 있는 노면의 종류(일례로, NORMAL, SAND, MUD, SNOW)를 파악하는 과정에서 요구되는 각종 로직과 알로리즘 및 프로그램을 저장할 수 있다.

구체적으로, 저장부(10)는 차량 네트워크(300)를 통해 차량신호를 획득하며, 상기 차량신호를 주파수 도메인 신호로 변환한 후 상기 주파수 도메인 신호의 주파수 대역별 에너지 비율을 산출하고, 상기 차량신호에 기초하여 노면 상태값을 산출하며, 인공신경망 기반으로 학습된 노면모델(34)을 기반으로 상기 주파수 대역별 에너지 비율과 상기 노면 상태값에 상응하는 노면의 종류를 파악하는 과정에서 요구되는 각종 로직과 알고리즘 및 프로그램을 저장할 수 있다.

저장부(10)는 심층 학습이 완료된 인공신경망으로 이루어진 노면모델을 저장할 수 있다. 이때, 인공신경망은 일례로 MLP(Multi-Layer Perceptron)로 구현될 수 있으며, 학습데이터로서 노면의 종류별로 차량신호의 주파수 대역별 에너지 비율과 노면 상태값을 입력받아 심층 학습을 수행할 수 있다. 또한, 상기 노면모델은 가중치(weight)와 바이어스(Bias) 값을 갖는다.

저장부(10)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 마이크로 타입(micro type), 및 카드 타입(예컨대, SD 카드(Secure Digital Card) 또는 XD 카드(eXtream Digital Card)) 등의 메모리와, 램(RAM, Random Access Memory), SRAM(Static RAM), 롬(ROM, Read-Only Memory), PROM(Programmable ROM), EEPROM(Electrically Erasable PROM), 자기 메모리(MRAM, Magnetic RAM), 자기 디스크(magnetic disk), 및 광디스크(optical disk) 타입의 메모리 중 적어도 하나의 타입의 기록 매체(storage medium)를 포함할 수 있다.

접속부(20)는 차량 네트워크에 접속하기 위한 인터페이스를 제공하는 모듈로서, 제어부(30)는 접속부(30)를 통해 차량 네트워크에 접속하여 다양한 정보(신호)를 획득할 수 있다. 이때, 차량 네트워크는 CAN(Controller Area Network), LIN(Local Interconnect Network), 플렉스레이(FlexRay), MOST(Media Oriented Systems Transport), 이더넷(Ethernet) 등을 포함한다.

제어부(30)는 상기 각 구성요소들이 제 기능을 정상적으로 수행할 수 있도록 전반적인 제어를 수행한다. 이러한 제어부(30)는 하드웨어의 형태로 구현되거나, 또는 소프트웨어의 형태로 구현되거나, 또는 하드웨어 및 소프트웨어가 결합된 형태로 구현될 수 있다. 바람직하게는, 제어부(30)는 마이크로프로세서로 구현될 수 있으나 이에 한정되는 것은 아니다.

제어부(30)는 심층 학습을 기반으로 차량이 주행하고 있는 노면의 종류(일례로, NORMAL, SAND, MUD, SNOW)를 파악할 수 있다.

특히, 제어부(30)는 차량 네트워크(300)를 통해 차량신호를 획득하며, 상기 차량신호를 주파수 도메인 신호로 변환한 후 상기 주파수 도메인 신호의 주파수 대역별 에너지 비율을 산출하고, 상기 차량신호에 기초하여 노면 상태값을 산출하며, 인공신경망 기반으로 학습된 노면모델(34)을 기반으로 상기 주파수 대역별 에너지 비율과 상기 노면 상태값에 상응하는 노면의 종류를 파악하는 과정에서 각종 제어를 수행할 수 있다.

여기서, 노면의 종류는 일례로 일반(NORMAL), 모레(SAND), 진흙(MUD), 눈(SNOW)를 포함할 수 있으며, 제어부(30)는 인공신경망 기반으로 학습된 노면모델을 이용하여 상기 주파수 대역별 에너지 비율과 상기 노면 상태값에 상응하는 노면을 일반, 모레, 진흙, 눈 중 어느 하나로 분류하는 과정에서 각종 제어를 수행할 수 있다. 이때, 제어부(30)는 모레, 진흙, 눈 중 어느 하나로 분류되지 않은 노면을 일반으로 분류할 수 있다.

또한, 제어부(30)는 차량 네트워크(300)를 통해 하기의 [표 1]과 같은 차량신호를 획득할 수 있다.

	정보	신호 이름	메시지 이름
운전자 조작	엑셀 페달의 포지션	PV_AV_CAN	EMS12
	브레이크 페달의 포지션	CYL_PRES	ESP12
	스티어링 각	SAS_Angle	SAS11_FS
	스티어링 휠 속도	SAS_Speed	SAS11_FS
	스티어링 휠 토크	CR_Mdps_StrColTq	MDPS12_FS
차량 거동	종가속도	LONG_ACCEL	ESP12
	횡가속도	LAT_ACCEL	ESP12
	요레이트	YAW_RATE	ESP12
	휠스피드(FL)	WHL_SPD_FL	WHL_SPD11
	휠스피드(FR)	WHL_SPD_FR	WHL_SPD11
	휠스피드(RL)	WHL_SPD_RL	WHL_SPD11
	휠스피드(RR)	WHL_SPD_RR	WHL_SPD11
	TCS Flag	TCS_CTL	TCS11
	차속(EMS 연산)	VSP	EMS11
	차속(TCU 연산)	VS_TCU	TCU12
	엔진 RPM	N	EMS11
	엔진 요구 토크	TQI	EMS11
	엔진 출력 토크	TQI_ACOR	EMS11
	현재 기어 단	CUR_GR	TCU12
	목표 기어 단	CF_Tcu_TarGr	TCU13
	4WD 토크	4WD_TQC_CUR	4WD11

여기서, 'TCS(Traction Control System) Flag', 현재 기어 단, 목표 기어 단, 4WD 토크는 제어값을 나타내며, 그 외 값들은 각종 센서에 의해 측정되는 값이다.

또한, 제어부(30)는 [표 1]의 차량신호를 이용하여 하기의 [표 2]와 같은 노면 상태값을 산출할 수 있다. 이때, 노면 상태값은 노면의 상태를 판단하기 위해 정의한 값들이다.

노면 상태값	연산 수식
제동 원활도
핸들링 원활도
사용자 가속 의지 대비 가속 정도
노면의 거친 정도
ESC 개입 여부
FL 휠 슬립량의 합
FR 휠 슬립량의 합
RL 휠 슬립량의 합
RR 휠 슬립량의 합

여기서, VSP는 EMS(Engine Management System) 연산 차속, LONG_ACC는 종가속도, CYL_PRES는 브레이크 페달의 포지션(브레이크 실린더 압력), YAW_RATE는 요레이트, SAS_SPEED는 스티어링 휠 속도, RPM(Revolution Per Minute)은 엔진의 회전수, LONG_ACC_PEAK는 종가속도 신호의 최대값, LAT_ACC_PEAK는 횡가속도 신호의 최대값, APS(Accel Position Sensor)는 엑셀 페달의 포지션, WHL_SPD_FL는 전륜 좌측 휠의 속도, WHL_SPD_FR는 전륜 우측 휠의 속도, WHL_SPD_RL는 후륜 좌측 휠의 속도, WHL_SPD_RR는 후륜 우측 휠의 속도를 각각 의미한다.

또한, 제동 원할도는 차량의 제동이 얼마나 원활하게 되고 있는지를 나타내는 값이고, 핸들링 원할도는 차량의 핸들링이 얼마나 원활하게 되고 있는지를 나타내는 값이며, ESC(Electronic Stability Control) 개입 여부에 따른 설정값으로서 ESC 개입이면 1 미개입이면 0을 갖는다.

이러한 제어부(30)는 세부 구성으로서 버퍼(31), 제1 연산부(32), 제2 연산부(33), 노면모델(34), 및 후처리부(35)를 포함할 수 있으며, 이하에서는 도 2 내지 도 4를 참조하여 상기 세부 구성에 대해 살펴보기로 한다.

도 2 는 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 버퍼의 구조를 나타내는 일예시도이다.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 버퍼(31)는, 접속부(20)를 통해 차량 네트워크로부터 획득한 차량신호(일례로 [표 1]의 차량신호)를 소정 시간(일례로, 1초) 단위로 순차적으로 저장하고, 빈 저장공간이 없으면 이후부터 입력되는 새로운 차량신호는 가장 오래된 차량신호의 저장공간에 덮어쓰는 링 버퍼(Ring Buffer)로 구현될 수 있다. 이때, 링 버퍼의 크기는 일례로 128비트일 수 있다.

버퍼(31)는 접속부(20)를 통해 차량 네트워크로부터 획득한 1초 동안의 차량신호를 저장하고, 이후에 획득한 1초 동안의 데이터를 저장하는 방식으로 전체 저장공간(일례로 8초 동안의 데이터 저장공간)에 차량신호를 저장할 수 있다. 이때, 버퍼(31)의 제1 공간에 저장된 1초 동안의 데이터는 '220'과 같이 배열될 수 있다.

도 3 은 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 제1 연산부의 동작을 설명하는 일예시도이다.

도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 제1 연산부(32)는, 먼저 푸리에 변환 로직을 통해 버퍼(31)에 저장되어 있는 시간 도메인의 차량신호를 주파수 도메인의 차량신호로 변환한다. 이때, 제1 연산부(32)는 [표 1]에 표시된 21개의 차량신호를 대상으로 푸리에 변환을 수행할 수 있다.

이후, 제1 연산부(32)는 주파수 도메인의 차량신호를 복수의 주파수 대역별로 구분한다. 일례로, 제1 연산부(32)는 주파수 도메인의 차량신호를 4개의 주파수 대역으로 구분할 수 있다. 이때, 4개의 주파수 대역의 크기는 동일하거나 동일하지 않을 수 있다. 실험 결과, 저주파 대역의 크기를 크게 설정할수록 노면의 종류를 정확도 높게 파악할 수 있었다. 이때, 저주파 대역은 차량신호의 전체 주파수 대역에서 중간 이하의 주파수 대역을 의미할 수 있다.

이후, 제1 연산부(32)는 각 주파수 대역별 에너지를 산출한다. 참고로, 에너지를 산출하는 로직 자체는 주지 관용의 기술로서 본 발명의 요지가 아닌 바 어떤 로직을 사용해도 무방하다.

이후, 제1 연산부(32)는 각 주파수 대역별 에너지의 비율을 산출한다. 즉, 제1 연산부(32)는 전체 주파수 대역의 에너지 대비 각 주파수 대역의 에너지의 비율을 산출한다.

제2 연산부(33)는 접속부(20)를 통해 차량 네트워크(300)로부터 획득한 상기 [표 1]의 차량신호를 이용하여 상기 [표 2]에 표시된 바와 같은 노면 상태값을 산출할 수 있다.

노면모델(34)은 노면의 종류별로 차량신호의 주파수 대역별 에너지 비율과 노면 상태값을 입력받아 심층 학습이 완료된 모델로서, 일례로 MLP(Multi-Layer Perceptron) 네트워크로 구현될 수 있다.

이러한 노면모델(34)은 제1 연산부(32)에 의해 연산된 차량신호의 각 주파수 대역별 에너지 비율과 제2 연산부(33)에 의해 연산된 노면 상태값에 상응하는 노면의 종류를 파악한다. 즉, 노면모델(34)은 인공신경망 기반으로 학습된 노면모델을 이용하여 상기 주파수 대역별 에너지 비율과 상기 노면 상태값에 상응하는 노면을 일반(NORMAL), 모레(SAND), 진흙(MUD), 눈(SNOW) 중 어느 하나로 분류할 수 있다.

노면모델은(34)는 상기 [표 1]에 표시된 21개의 차량신호를 대상으로 4개의 주파수 대역별 에너지 비율(84개)과 상기 [표 2]에 표시된 9개의 노면 상태값을 입력받을 수 있다. 즉, 노면모델(34)은 93개의 데이터에 기초하여 노면의 종류를 파악할 수 있다.

도 4 는 본 발명의 일 실시예에 따른 노면 분류 장치에 구비된 후처리부의 동작을 설명하는 일예시도이다.

도 4의 '410'에 도시된 바와 같이, 노면모델(34)에 의해 분류된 노면은 순간적으로 변한다. 이는 분류 오류로서 후처리부(35)에 의해 보완될 수 있다.

후처리부(35)는 노면모델(34)에 의해 분류된 노면 데이터에 EMA(Exponential Moving Average)를 적용하여 순간적으로 분류된 노면을 제거할 수 있다. 즉, 후처리부(35)는 기준시간(일례로 1초) 이내로 유지되는 노면을 제거할 수 있다. 그 결과는 '420'과 같다.

한편, 본 발명의 일 실시예에 따른 노면 분류 장치(100)를 이용한 차량의 터레인 모드 제어 시스템(200)은, 노면 분류 장치(100)에 의해 분류된 노면의 종류에 기초하여 차량의 터레인 모드를 설정하는 제어기(210)를 포함할 수 있다.

차량의 터레인 모드 제어 시스템(200)의 제어기(210)는 고속에서의 터레인 모드 변경으로 인해 발생할 수 있는 위험을 미연에 방지하기 위해 고속에서 터레인 모드의 변경을 제한할 수 있다. 예를 들어, 차량의 터레인 모드 제어 시스템(200)은 차량의 속도가 55kph를 초과하는 경우에는 노면 분류 장치(100)에 의해 노면의 종류가 변경되더라도 현재의 터레인 모드를 유지한다.

차량의 터레인 모드 제어 시스템(200)의 제어기(210)는 저속에서 노면 분류 장치(100)의 정확도가 떨어지는 현상을 고려하여 저속에서 터레인 모드의 변경을 제한할 수 있다. 예를 들어, 차량의 터레인 모드 제어 시스템(200)은 차량의 속도가 5kph 이하인 경우에는 노면 분류 장치(100)에 의해 노면의 종류가 변경되더라도 현재의 터레인 모드를 유지한다.

차량의 터레인 모드 제어 시스템(200)의 제어기(210)는 노면 분류 장치(100)와의 통신이 단절되거나 노면 분류 장치(100)의 제어부(30)에 이상이 발생한 경우에는 차량의 터레인 모드를 일반으로 설정할 수 있다.

차량의 터레인 모드 제어 시스템(200)의 제어기(210)는 차량의 주행상황을 반영하여 특별한 상황에서는 차량의 터레인 모드를 노멀로 설정하거나 현재의 터레인 모드를 유지할 수 있다. 이러한 특이상황은 하기와 같다.

주행 특이상황으로서, 주행모드, ESC OFF, AWD LOCK 등과 같은 운전자의 스위치 조작, 후진주행을 포함할 수 있다.

환경 특이상황으로서, 강풍(기준치 이상의 세기를 가지는 바람), 폭우(기준치 이상의 강우량), 폭설(기준치 이상의 강설량), 저온(기준치 이하의 기온), 고온(기준치 이상의 기온)을 포함할 수 있다. 이러한 강풍정보, 폭우정보, 폭설정보, 저온정보, 고온정보는 차량 네트워크(300)를 통해 내비게이션장치로부터 획득할 수 있다.

노면 특이상황으로서, 차량의 좌/우륜의 마찰계수가 다른 경우, 차량의 전/후륜의 마찰계수가 다른 경우, 하나 이상의 휠이 노면과 비접촉한 경우, 노면의 잦은 변경, 구배로를 주행하는 경우를 포함할 수 있다.

차량 특이상황으로서, 타이어의 상태가 비정상인 경우(압력, 마모 등), 스노우 체인이 체결된 경우, 이종 타이어가 장착된 경우, 과적재인 경우, 과중량인 경우, 트레일러가 장착된 경우를 포함할 수 있다.

도 5 는 본 발명의 일 실시예에 따른 노면 분류 장치의 성능을 나타내는 일예시도이다.

도 5에 도시된 바와 같이, 차량이 머드(mud) 노면을 주행하는 경우, 상기 차량에 장착된 노면 분류 장치(100)에 의해 분류된 노면을 나타낸다. 약간의 오류가 있긴 하지만 대체로 현재의 노면을 머드로 분류한 것을 알 수 있다.

도 6 은 본 발명의 일 실시예에 따른 노면 분류 장치의 성능을 나타내는 다른 예시도이다.

도 6에 도시된 바와 같이, 차량이 일반(normal) 노면을 주행하는 경우, 상기 차량에 장착된 노면 분류 장치(100)에 의해 분류된 노면을 나타낸다. 초기 약 5초를 제외하고는 완벽하게 현재의 노면을 일반 노면으로 분류한 것을 알 수 있다.

도 7 은 본 발명의 일 실시예에 따른 노면 분류 방법에 대한 일 실시예 흐름도이다.

먼저, 저장부(10)는 심층 학습 기반의 노면모델을 저장한다(701).

이후, 제어부(30)는 상기 노면모델을 이용하여 차량이 주행중인 노면을 종류별로 분류한다(702).

도 8 은 본 발명의 일 실시예에 따른 노면 분류 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.

도 8을 참조하면, 상술한 본 발명의 일 실시예에 따른 노면 분류 방법은 컴퓨팅 시스템을 통해서도 구현될 수 있다. 컴퓨팅 시스템(1000)은 시스템 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.

프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory, 1310) 및 RAM(Random Access Memory, 1320)을 포함할 수 있다.

따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, SSD(Solid State Drive), 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

10: 저장부
20: 접속부
30: 제어부
31: 버퍼
32: 제1 연산부
33: 제2 연산부
34: 노면모델
35: 후처리부
100: 노면 분류 장치
200: 차량의 터레인 모드 제어 시스템
300: 차량 네트워크

Claims

심층 학습 기반의 노면모델을 저장하는 저장부; 및
상기 노면모델을 이용하여 차량이 주행중인 노면을 종류별로 분류하는 제어부
를 포함하는 노면 분류 장치.
제 1 항에 있어서,
상기 제어부는,
차량 네트워크를 통해 차량신호를 획득하며, 상기 차량신호를 주파수 도메인 신호로 변환한 후 상기 주파수 도메인 신호의 주파수 대역별 에너지 비율을 산출하고, 상기 차량신호에 기초하여 노면 상태값을 산출하며, 상기 노면모델을 기반으로 상기 주파수 대역별 에너지 비율과 상기 노면 상태값에 상응하는 노면의 종류를 파악하는 것을 특징으로 하는 노면 분류 장치.
제 2 항에 있어서,
상기 제어부는,
상기 차량 네트워크로부터 획득한 기준시간 동안의 차량신호를 순차적으로 버퍼에 저장하고, 상기 버퍼에 빈 저장공간이 없으면 가장 오래된 차량신호의 저장공간부터 순차적으로 덮어쓰는 것을 특징으로 하는 노면 분류 장치.
제 2 항에 있어서,
상기 제어부는,
상기 주파수 도메인 신호를 서로 다른 크기를 가지는 복수의 주파수 대역으로 구분하는 것을 특징으로 하는 노면 분류 장치.
제 4 항에 있어서,
상기 제어부는,
저주파 대역의 크기를 고주파 대역의 크기보다 크게 설정하는 것을 특징으로 하는 노면 분류 장치.
제 2 항에 있어서,
상기 제어부는,
제동 원활도, 핸들링 원활도, 사용자 가속 의지 대비 가속 정도, 노면의 거친 정도, ESC 개입 여부에 따른 설정값, FL 휠 슬립량의 합, FR 휠 슬립량의 합, RL 휠 슬립량의 합, RR 휠 슬립량의 합 중 적어도 하나 이상을 노면 상태값으로서 산출하는 것을 특징으로 하는 노면 분류 장치.
제 2 항에 있어서,
상기 제어부는,
상기 노면모델을 기반으로 분류된 노면 중에서 기준시간 이내로 유지되는 노면을 제거하는 것을 특징으로 하는 노면 분류 장치.
제 1 항에 있어서,
상기 노면의 종류는,
일반(NORMAL), 모레(SAND), 진흙(MUD), 눈(SNOW) 중 적어도 하나 이상을 포함하는 노면 분류 장치.
심층 학습 기반의 노면모델을 이용하여 차량이 주행중인 노면을 종류별로 분류하는 노면 분류 장치; 및
상기 노면 분류 장치에 의해 분류된 노면의 종류에 기초하여 차량의 터레인 모드를 설정하는 제어기
를 포함하는 차량의 터레인 모드 제어 시스템.
제 9 항에 있어서,
상기 제어기는,
차량의 속도가 제1 기준속도를 초과하면 노면의 종류가 변경되더라도 현재의 터레인 모드를 유지하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 9 항에 있어서,
상기 제어기는,
차량의 속도가 제2 기준속도를 이하이면 노면의 종류가 변경되더라도 현재의 터레인 모드를 유지하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 9 항에 있어서,
상기 제어기는,
상기 노면 분류 장치에 이상 발생시 현재의 터레인 모드를 유지하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 9 항에 있어서,
상기 제어기는,
주행 특이상황, 환경 특이상황, 노면 특이상황, 차량 특이상황 중 적어도 하나 이상 발생시 차량의 현재 터레인 모드를 유지하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 9 항에 있어서,
상기 노면 분류 장치는,
차량 네트워크를 통해 차량신호를 획득하며, 상기 차량신호를 주파수 도메인 신호로 변환한 후 상기 주파수 도메인 신호의 주파수 대역별 에너지 비율을 산출하고, 상기 차량신호에 기초하여 노면 상태값을 산출하며, 상기 노면모델을 기반으로 상기 주파수 대역별 에너지 비율과 상기 노면 상태값에 상응하는 노면의 종류를 파악하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 14 항에 있어서,
상기 노면 분류 장치는,
상기 차량 네트워크로부터 획득한 기준시간 동안의 차량신호를 순차적으로 버퍼에 저장하고, 상기 버퍼에 빈 저장공간이 없으면 가장 오래된 차량신호의 저장공간부터 순차적으로 덮어쓰는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 14 항에 있어서,
상기 노면 분류 장치는,
상기 주파수 도메인 신호를 서로 다른 크기를 가지는 복수의 주파수 대역으로 구분하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 16 항에 있어서,
상기 노면 분류 장치는,
저주파 대역의 크기를 고주파 대역의 크기보다 크게 설정하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 14 항에 있어서,
상기 노면 분류 장치는,
제동 원활도, 핸들링 원활도, 사용자 가속 의지 대비 가속 정도, 노면의 거친 정도, ESC 개입 여부에 따른 설정값, FL 휠 슬립량의 합, FR 휠 슬립량의 합, RL 휠 슬립량의 합, RR 휠 슬립량의 합 중 적어도 하나 이상을 노면 상태값으로서 산출하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 14 항에 있어서,
상기 노면 분류 장치는,
상기 노면모델을 기반으로 분류된 노면 중에서 기준시간 이내로 유지되는 노면을 제거하는 것을 특징으로 하는 차량의 터레인 모드 제어 시스템.
제 9 항에 있어서,
상기 노면의 종류는,
일반(NORMAL), 모레(SAND), 진흙(MUD), 눈(SNOW) 중 적어도 하나 이상을 포함하는 차량의 터레인 모드 제어 시스템.