KR20210136291A - 도로의 운행상태 분류모델 학습방법, 학습된 분류모델을 이용한 운행상태 분류 방법, 현시 방법 및 장치 - Google Patents

Abstract

퍼스널 모빌리티(personal mobility)가 주행하는 도로의 운행상태를 분류하는 분류모델 학습방법, 분류모델을 이용한 분류방법 및 현시방법과 그 장치를 제공한다.
퍼스널 모빌리티에 결합된 센서로부터 주행속도 및 기울기를 포함하는 주행 데이터를 획득하여 도로상태 데이터를 수집하고, 도로상태 데이터를 이용하여 특정 시간 동안의 도로상태 데이터 평균을 연산하고, 연산된 도로상태 데이터 평균을 퍼스널 모빌리티가 주행하는 시간대 및 장소와 매칭하여 데이터 셋(data set)을 산출하고, 데이터 셋에 매칭된 연산된 주행 데이터 평균을 기초로 도로의 운행상태를 '정상운행'을 포함하는 클러스터로 분류하고, 판단된 운행상태를 기초로 데이터 셋을 라벨링(labeling)하고, 라벨링된 데이터 셋을 트레이닝 셋(training set)으로 머신 러닝(machine learning) 기반의 운행상태 분류 모델을 트레이닝 시키는 도로의 운행상태 분류모델 학습방법과 이러한 학습방법으로 학습된 분류모델을 이용한 분류방법 및 현시방법과 그 장치를 제공한다.

Description

도로의 운행상태 분류모델 학습방법, 학습된 분류모델을 이용한 운행상태 분류 방법, 현시 방법 및 장치 {Learning Method for Driving State Clustering Model, Method And Apparatus for Driving State Clustering And Displaying Using thereby}

본 실시예는 도로의 운행상태 분류모델을 이용한 운행상태 분류 방법, 현시 방법 및 장치에 관한 것으로서, 더욱 상세하게는 퍼스널 모빌리티가 주행하는 도로의 운행상태를 학습 모델을 이용하여 분류하는, 도로의 운행상태 분류모델을 이용한 운행상태 분류 방법, 현시 방법 및 장치에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

퍼스널 모빌리티(personal mobility)는 개인용 이동수단을 지칭하는 용어로, 구성과 외관에 따라 다양한 명칭으로 불려지고 있으나 주로 전기를 동력으로 움직이는 일인용 이동수단을 의미한다. 이러한 퍼스널 모빌리티에는 전기자전거(electric bicycle), 전동킥보드(electric kickboard), 전동스쿠터(electric scooter), 전동 킥바이크(electric kick-bike), 세그웨이(segway) 등이 포함된다. 다만, 여기에서는 전기를 동력으로 움직이는 것은 아니지만 일인용 이동수단에 속하는 일반 자전거 또한 퍼스널 모빌리티에 포함되는 것으로 본다.

이러한 퍼스널 모빌리티의 사용은 1인 가구의 증가 및 편리성을 이유로 증가하고 있으나, 퍼스널 모빌리티 주행의 안전성에 대한 고려는 미진한 실정이다. 기존의 주된 이동수단인 일반 자동차의 주행에 관하여는, 일반 자동차용 도로포장의 평탄성(roughness)을 나타내는 지수인 IRI(International Roughness Index)를 산출하는 등 주행의 안전성을 확보하기 위한 고려들이 있어 왔다. 그러나, IRI는 알고리즘의 특성상 시속 80 km/h 의 주행속도를 기본으로 산출된 것이나 퍼스널 모빌리티는 저속주행(예컨대, 전기자전거는 시속 25 km/h 이상으로 움직이면 전동기가 작동하지 않는 등)을 기본으로 한다. 또한, 퍼스널 모빌리티의 차량 구조 및 차륜의 모양과 크기는 일반 자동차와 확연히 다르다. 따라서, 퍼스널 모빌리티의 주행에 IRI를 그대로 적용하기는 일반적인 차량과 동일한 신뢰성을 기대하기 어렵다는 문제점이 있어 왔다.

이에 대하여, 자전거 이용고객의 만족도 조사결과와 IRI와 같은 도로 평탄상태의 상관관계를 모델링하는 기존의 시도가 있었으나, 만족도 결과는 대부분 주관적인 것이므로 이러한 문제점을 해결하기 어려웠다.

퍼스널 모빌리티의 차량 구조 및 차륜의 특성 상, 일반 자동차와 달리 도로포장의 평탄성만으로는 주행의 안전성을 담보하기 어렵다. 따라서, 퍼스널 모빌리티 주행의 안전성을 확보하기 위해서는 단순히 IRI 중심의 도로 상태의 평탄성을 평가하여 유지보수하는 방식에서 벗어나, 다차원으로 도로상태를 평가하여 실질적인 주행의 안전성을 확보하는 방안이 필요하다.

본 실시예의 일 측면에 의하면, 퍼스널 모빌리티가 주행하는 도로의 운행상태를 분류하는 분류모델 학습방법에 있어서, 퍼스널 모빌리티에 결합된 센서로부터 주행속도 및 기울기를 포함하는 주행 데이터를 획득하여 도로상태 데이터를 수집하는 수집하고, 특정 시간 동안의 도로상태 데이터 평균을 연산하고, 연산된 도로상태 데이터 평균을 퍼스널 모빌리티가 주행하는 시간대 및 운행장소와 매칭하여 데이터 셋을 산출하고, 데이터 셋에 매칭된 상기 도로상태 데이터 평균을 기초로 도로의 운행상태를 '정상운행'을 포함하는 클러스터로 클러스터링한 후, 이러한 데이터 셋을 판단된 운행상태를 기초로 라벨링하고, 라벨링된 데이터 셋을 트레이닝 셋으로 머신 러닝 기반의 운행상태 분류 모델을 트레이닝 시킴으로써, 도로의 운행상태 분류모델을 학습하는 방법을 제공한다.

이에 따라, 본 실시예의 다른 측면에 의하면, 이러한 학습방법으로 학습된 분류모델을 이용한 도로의 운행상태를 분류하는 분류 방법에 있어서, 학습된 도로의 운행상태 분류모델이 트레이닝한 데이터 셋과 대응되는 데이터를 전부 또는 일부 포함하는 인스턴스를 획득하여, 학습된 도로의 운행상태 분류모델로부터 사례기반학습을 수행하여 현재 운행상태를 예측하는 분석과정을 수행하는 도로의 운행상태 분류 방법을 제공한다. 이로써, 실제 퍼스널 모빌리티를 이용하여 주행 중인 도로 상태에 관한 다양한 데이터를 이용하여 실제 사용자의 운행상태 관련 정보를 제공함으로써, 실제적인 주행의 안전성을 확보하는 데 주된 목적이 있다.

나아가, 본 실시예의 다른 측면에 의하면, 이러한 분류 방법을 이용하여 도로의 운행상태를 현시하는 방법에 있어서, 데이터 셋의 분류된 운행상태가 '정상운행'이 아닌 경우, 퍼스널 모빌리티에 결합된 위치센서로부터 주행 위치 데이터를 획득하고, 이미지 센서로부터 주행 이미지를 획득하여, 퍼스널 모빌리티의 주행 방향에 특정 물체가 관측되는 지를 판단하고, 특정 물체가 관측되지 않는 경우, 예측된 현재 운행상태를 속성 데이터로 하여 위치 데이터와 함께 GIS(Geographic Information System)에 맵핑(mapping)함으로써, 여러 사용자의 운행상태 관련 정보가 취합된 GIS를 구축하여 주행의 안전성을 여러 사용자에게 보장하는 데 다른 주된 목적이 있다.

본 실시예의 일 측면에 의하면, 퍼스널 모빌리티(personal mobility)가 주행하는 도로의 운행상태를 분류하는 분류모델 학습방법에 있어서, 상기 퍼스널 모빌리티에 결합된 센서로부터 주행속도 및 기울기를 포함하는 주행 데이터를 획득하여 도로상태 데이터를 수집하는 수집과정; 상기 도로상태 데이터를 이용하여 특정 시간 동안의 도로상태 데이터 평균을 연산하고, 연산된 도로상태 데이터 평균을 상기 퍼스널 모빌리티가 주행하는 시간대 및 장소와 매칭하여 데이터 셋(data set)을 형성하는 데이터 셋 산출과정; 상기 주행 데이터 평균을 기초로 상기 도로의 운행상태를 분류하는 분류과정; 및 분류된 운행상태를 기초로 상기 데이터 셋을 라벨링(labeling)하고, 라벨링된 데이터 셋을 트레이닝 셋(training set)으로 하여 머신 러닝(machine learning) 기반의 운행상태 분류 모델을 트레이닝 시키는 학습과정을 포함하되, 상기 분류과정은, 정상운행을 포함하는 클러스터로 분류하는 것을 특징으로 하는 도로의 운행상태 분류모델 학습방법을 제공한다.

본 실시예의 다른 측면에 의하면, 이러한 학습방법에 의해 기 학습된 도로의 운행상태 분류모델을 이용한 도로의 운행상태를 분류하는 분류 방법 및 장치에 있어서, 상기 기 학습된 도로의 운행상태 분류모델이 트레이닝한 데이터 셋과 대응되는 데이터를 전부 또는 일부 포함하는 인스턴스(instance)를 획득하여, 상기 기 학습된 도로의 운행상태 분류모델로부터 사례기반학습(instance-based machine learning)을 수행하여 현재 운행상태를 예측(prediction)하는 분석과정을 포함하는 것을 특징으로 하는 도로의 운행상태 분류 방법 및 그 장치를 제공한다.

본 실시예의 또 다른 측면에 의하면, 이러한 도로의 운행상태 분류 방법 또는 장치를 이용하여 도로의 운행상태를 현시하는 방법 및 장치에 있어서, 상기 데이터 셋의 분류된 운행상태가 '정상운행'이 아닌 경우, 상기 퍼스널 모빌리티에 결합된 위치센서로부터 주행 위치 데이터(geometry data)를 획득하는 위치 획득과정; 상기 퍼스널 모빌리티에 결합된 이미지 센서로부터 주행 이미지를 획득하는 이미지 획득과정; 상기 주행 이미지로부터 상기 퍼스널 모빌리티의 주행 방향에 특정 물체가 관측되는 지를 판단하는 물체 판단과정; 및 특정 물체가 관측되지 않는 경우, 예측된 현재 운행상태를 속성 데이터(attribute data)로 하여 상기 속성 데이터 및 상기 위치 데이터를 GIS(Geographic Information System)에 맵핑(mapping)하는 맵핑과정을 포함하는 것을 특징으로 하는 도로의 운행상태 현시 방법 및 그 장치를 제공한다.

본 실시예의 다른 측면에 의하면, 이러한 도로의 운행상태 현시방법 또는 분류방법이 포함하는 각 과정을 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

이상에서 설명한 바와 같이 본 개시에 의하면, 퍼스널 모빌리티를 이용한 주행과 관련하여, 주행 관련 도로상태 데이터를 이용하여 도로의 운행상태를 판단하고, 이러한 도로상태 데이터와 주행장소와 관련된 외부 데이터를 판단된 운행상태로 라벨링(labeling)하여 머신 러닝(machine learning) 기반의 분류모델(clustering model)을 학습시키고, 이러한 분류모델을 이용하여 주행과 관련된 도로상태 데이터 및 주행장소와 관련된 외부 데이터베이스로부터 획득한 데이터를 인스턴스(instance)로 하는 사례기반학습(instance-based machine learning)을 함으로써 도로의 운행상태를 예측한다. 이로써 실제 운행에 영향을 미치는 도로상태 정보로부터 퍼스널 모빌리티 주행의 안전성을 향상시킬 수 있다.

이러한 방식은 이용고객의 만족도와 같은 수동적, 비정량적 방식의 도로상태 평가가 아닌, 실제 주행으로 관측된 데이터를 이용한다는 점에서 적극적, 정량적인 퍼스널 모빌리티 주행의 안전관리가 가능하다는 이점이 있다.

뿐만 아니라, 예측한 운행상태를 GIS 맵핑함으로써 여러 퍼스널 모빌리티 사용자에게 퍼스널 모빌리티 주행 중인 도로의 상태를 실시간으로 알려줌으로써, 퍼스널 모빌리티 주행의 안전성을 여러 사용자에게 보장할 수 있다.

도 1은 본 실시예에 따른 도로의 운행상태 분류모델 학습방법을 나타내는 블록구성도이다.
도 2는 본 실시예에 따른 도로의 운행상태 분류모델 학습방법을 나타내는 흐름도이다.
도 3은 본 실시예에 따른 도로의 주행 데이터를 획득하기 위한 센서가 결합된 퍼스널 모빌리티의 예시도이다.
도 4는 본 실시예에 따른 기 학습된 도로의 운행상태 분류모델을 이용한 도로상태 분류 및 현시방법에 대한 블록구성도이다.
도 5는 본 실시예에 따른 도로의 운행상태 분류방법에서 인스턴스를 생성하여 운행상태를 예측하는 방법을 나타내는 흐름도이다.
도 6은 본 실시예에 따른 분류모델의 클러스터링된 주행 데이터와의 유사도를 기초로 인스턴스의 운행상태를 예측하는 예시도이다.
도 7은 본 실시예에 따른 분류모델을 이용한 도로상태 현시방법에서 지오프로세싱을 수행한 예시도이다.
도 8은 본 실시예에 따른 분류모델을 이용한 도로상태 현시방법을 나타내는 흐름도이다.

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 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제1, 제2, (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. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '…부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.

본 실시예에서 도로의 운행은 퍼스널 모빌리티(personal mobility)를 운송수단으로 사용하는 것을 전제한다.

퍼스널 모빌리티(personal mobility)는 개인용 이동수단을 지칭하는 용어로, 구성과 외관에 따라 다양한 명칭으로 불려지고 있으나 주로 전기를 동력으로 움직이는 일인용 이동수단을 의미한다. 이러한 퍼스널 모빌리티에는 전기자전거(electric bicycle), 전동킥보드(electric kickboard), 전동스쿠터(electric scooter), 전동 킥바이크(electric kick-bike), 세그웨이(segway) 등이 포함된다. 다만, 본 발명에서는 전기를 동력으로 움직이는 것은 아니지만 일인용 이동수단에 속하는 일반 자전거 또한 퍼스널 모빌리티에 포함되는 것으로 본다.

도 1은 본 실시예에 따른 도로의 운행상태 분류모델(driving state clustering model) 학습방법을 나타내는 블록구성도이다.

본 실시예에 따른 도로의 운행상태 분류모델을 학습시키는 학습장치(100)는 도로상태 데이터 수집부(road state data collector, 110), 평균 산출부(average calculator, 120), 분류부(clustering unit, 122), 데이터셋 산출부(data set unit, 124), 라벨링부(labeling unit, 126), 트레이닝부(trainer, 128) 및 데이터베이스(database, 140)를 전부 또는 일부 포함한다. 도 1에 도시된 학습장치(100)는 본 개시의 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 학습장치(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 예컨대, 도로상태 데이터 수집부의 수집된 데이터를 전처리하는 전처리부 등이 추가될 수 있다.

학습장치(100)는 머신 러닝(machine learning)에 기반한 학습을 수행한다. 구체적으로는, 도로상태 관련 특징(feature)에 해당하는 데이터들을 퍼스널 모빌리티 또는 외부 데이터베이스로부터 획득하여 도로상태 데이터(road state feature)를 수집하고, 전처리하고, 운행상태를 판단한 후 트레이닝 셋(training set)을 산출함으로써 생성된 트레이닝 셋으로 도로의 운행상태 분류모델을 트레이닝(training)시킨다. 그러나, 반드시 이러한 과정 및 순서에 한정되는 것은 아니며, 일부 과정들은 생략되거나, 통합되거나, 새로이 추가될 수 있다. 예컨대, 수집된 도로상태 데이터를 전처리하는 과정은 생략될 수 있으며, 도로상태 관련 데이터의 차원 축소과정이 추가될 수 있다. 이러한 과정들은 각 과정을 수행하는 장치나 모듈로 구현되어, 도로의 운행상태 분류모델을 학습하는 장치로 구현될 수 있다. 이하, 학습장치(100)에 포함된 각각의 구성요소에 대해 설명하도록 한다.

도로상태 데이터 수집부(110)는 퍼스널 모빌리티가 주행하는 도로상태와 관련된 데이터들을 분류모델의 특징(feature)값으로 수집한다. 도로상태 데이터 수집부(110)는 주행 데이터(driving data) 획득부(112) 및 외부 데이터(external data) 획득부(114)를 전부 또는 일부 포함한다. 다만, 도 1은 이들을 구성요소로하여 동작하는 것으로 도시하고 있으나 반드시 이에 한정되는 것은 아니며, 각각의 구성요소가 도로상태 데이터 수집부(110)에 포함된 모듈로서 구현될 수도 있다.

주행 데이터 수집부(112)는 퍼스널 모빌리티에 결합된 센서로부터 주행 데이터를 획득할 수 있다. 이때, 주행 데이터는 퍼스널 모빌리티에 결합된 속도 센서(speed sensor), 기울기 센서(clinometer sensor 등)로부터 획득한 주행속도 및 기울기를 포함하나, 반드시 이에 한정되는 것은 아니다. 예컨대, 퍼스널 모빌리티에는 가속도계(accelerometer), XYZ축의 3축 가속도 센서, 자이로 센서(gyro sensor), 자이로스코프(gyroscope), 바퀴의 차속센서(wheel speed sensor) 등이 결합됨으로써 가속도(acceleration), 3축 가속도, 각속도(angular velocity), 회전각(rotation angle), 바퀴의 차속(wheel speed) 등을 주행 데이터로서 획득할 수 있다.

외부 데이터 획득부(114)는 주행 중인 도로와 관련된 외부 데이터를 외부 데이터베이스로부터 획득할 수 있다. 외부 데이터는 주행 도로의 기온, 전일 강수량, 금일 강수량을 포함할 수 있으나, 반드시 이에 한정되는 것은 아니다. 예컨대, 경찰청 데이터베이스로부터 주행 장소의 사고 이력 또는 횟수를 외부 데이터로 획득할 수 있다. 주행 도로의 기온, 전일 또는 금일 강수량을 획득할 수 있는 외부 데이터베이스는 기상청 종합관측(ASOS, Automated Surface Observing System) 데이터베이스 등이 될 수 있다. 이렇게 수집된 도로상태 데이터는 데이터베이스(140)에 저장 및 관리될 수 있다. 외부 데이터 획득부(114)는 외부 데이터베이스와 무선통신(wireless communications) 방식으로 데이터를 송수신할 수 있다. 예를 들어, NFC(Near Field Communication) 방식, 저전력 블루투스(BLE: Bluetooth Low Energy), 무선랜(WIFI), UWB(Ultra Wideband), 무선 주파수(Radio Frequency), 적외선 통신(IrDA:Infrared Data Association), 지그비(Zigbee), QR 코드(Quick Response Code) 등과 같은 무선 통신 방식 중 하나를 이용하여 데이터를 송신할 수 있다.

평균 산출부(122)는 도로상태 데이터 수집부(110)에서 수집된 도로상태 데이터를 이용하여 특정 시간 동안의 도로상태 데이터의 평균을 산출한다. 평균을 산출할 특정 시간은 분류모델의 성능 또는 분류모델을 사용하는 목적에 따라 달라질 수 있다. 또한 평균을 산출할 특정 시간은 퍼스널 모빌리티가 주행하는 환경에 따라 달라질 수 있다.

분류부(122)는 산출된 도로상태 데이터의 평균값 중 주행 데이터의 평균값을 이용하여 퍼스널 모빌리티를 이용한 주행의 운행상태를 판단하여 분류한다. 이때 운행상태는 복수의 클러스터로 분류(클러스터링, clustering)될 수 있는데, 운행상태가 분류될 클러스터에는 '정상운행' 상태가 포함되어 있어야 한다. 그 밖에 클러스터에는 '정차구간', '운행중단구간', '감속구간' 등의 운행상태가 포함될 수 있으나, 반드시 이에 한정되는 것은 아니다. 예컨대, 클러스터에는 주행장소가 비포장도로인 경우, '비포장구간' 상태를 포함할 수 있다.

운행상태의 판단은 다음과 같이 이루어질 수 있다. 퍼스널 모빌리티의 평균 속도의 변화값이 이전 평균속도 대비 일정 이하(예컨대 50 % 이하)인 경우 '정상운행' 상태로 판단한다. 평균 속도가 급감(예컨대 이전 평균속도 대비 50 % 이상 감소)하는 경우 '감속구간' 상태로 판단한다. 평균 속도가 0이고 평균 기울기가 급변(예컨대 이전 평균 기울기 대비

)하는 경우 '운행중단구간' 상태로 판단한다. 평균 속도가 0이고 평균 기울기의 변화가 일정 이하라면 '정차구간' 상태로 판단한다. 그러나 반드시 이러한 판단방법에 국한되는 것은 아니고, 클러스터의 수나 주행 데이터에 포함되는 운행상태 관련 특징의 종류, 퍼스널 모빌리티의 종류 등에 의해 이러한 판단방법은 달라질 수 있다. 예컨대, '운행중단구간'을 판단하는 경우, 무게가 무거운 전동 스쿠터보다 상대적으로 무게가 가벼운 전동 킥보드를 사용할 때 평균 기울기의 급변 정도를 판단하는 기준이 더욱 엄격해질 것이다.

데이터셋 산출부(124)는 산출된 도로상태 데이터의 평균값과 도로상태 데이터에 대응하는 주행 시간대 및 장소와 매칭하여 분류모델을 학습시킬 데이터 셋(data set)을 산출한다. 이때 주행 시간대는 새벽, 아침, 점심, 저녁, 밤 등으로 대략적으로 나누어질 수 있으나, 반드시 이에 국한되는 것은 아니다. 예컨대, 퍼스널 모빌리티가 주행한 시, 분, 초로 특정되어 구분될 수도 있다. 주행 장소는 인도, 차도, 자전거 전용도로 등으로 나누어질 수 있으나, 반드시 이에 국한되는 것은 아니다. 예컨대, 퍼스널 모빌리티가 주행하는 위치의 위도(latitude) 및 경도(longitude)로 특정되어 구분될 수도 있다.

라벨링부(126)는 산출된 데이터 셋을 분류된 운행상태로 라벨링(labeling)하여 도로의 운행상태 분류모델을 학습시킬 트레이닝 셋(training set)을 산출한다. 라벨링부(126)는 산출된 데이터 셋을 라벨링한 데이터의 전부 또는 일부를 트레이닝 셋으로 할 수 있다. 예컨대, 도로의 운행상태 분류모델을 학습시키기 위해 라벨링된 데이터의 일부를 트레이닝 셋으로, 나머지를 검증 데이터 셋(test set)으로 할 수 있다.

트레이닝부(128)는 도로의 운행상태 분류모델을 트레이닝 셋을 입력값으로 트레이닝을 시킨다. 검증 데이터가 있는 경우, 트레이닝된 도로의 운행상태 분류모델을 검증하여, 모델에 적용된 가중치(weight)를 달리 할 수 있다.

데이터베이스(140)는 수집된 도로상태 데이터, 도로상태 데이터의 평균, 분류된 운행상태, 라벨링된 데이터 및 도로의 운행상태 분류모델의 전부 또는 일부를 저장하고, 데이터의 검색(추출), 삭제, 편집, 추가 등을 수행할 수 있는 데이터의 저장형태를 의미한다. 데이터베이스(140)는 관계형 데이터베이스 관리 시스템(RDBMS: Relational Data Base Management System), 객체 지향 데이터베이스 관리 시스템(OODBMS: Object-Oriented Data Base Management System) 또는 XML 전용 데이터베이스(XML Native Database) 등을 이용하여 구현될 수 있다. 또한, 데이터베이스(140)는 학습장치 이외의 시스템과 무선통신(wireless communications) 방식으로 데이터를 송수신할 수 있다. 예를 들어, NFC(Near Field Communication) 방식, 저전력 블루투스(BLE: Bluetooth Low Energy), 무선랜(WIFI), UWB(Ultra Wideband), 무선 주파수(Radio Frequency), 적외선 통신(IrDA:Infrared Data Association), 지그비(Zigbee), QR 코드(Quick Response Code) 등과 같은 무선 통신 방식 중 하나를 이용하여 데이터를 송신할 수 있다.

도 2는 본 실시예에 따른 도로의 운행상태 분류모델 학습방법을 나타내는 흐름도이다.

주행 데이터 획득부(112)는 퍼스널 모빌리티가 주행하면서 퍼스널 모빌리티에 결합된 센서들로부터 주행 데이터(속도, 기울기 등)를 획득한다(S200). 외부 데이터 획득부(114)는 퍼스널 모빌리티가 주행 중인 주행 장소와 관련된 외부 데이터(기온, 강수량 등)를 외부 데이터베이스로부터 획득한다(S200).

주행 데이터의 획득 및 외부 데이터의 획득은 병렬적으로 이루어질 수 있고 외부 데이터의 획득은 생략될 수 있다.

주행 데이터 획득부(112) 및 외부 데이터 획득부(114)로부터 획득한 데이터는 도로상태 데이터 수집부(110)에 의하여 도로상태 데이터로 수집된다(S210). 이때, 도로상태 데이터 수집부(110)는 수집한 데이터를 빈 정보(blank)나 오류가 있는 정보 등을 추후 데이터의 처리에 용이하도록 전처리할 수 있다.

평균 산출부(120)는 수집된 도로상태 데이터를 이용하여, 특정 시간 동안의 평균 데이터를 산출한다(S220).

분류부(122)는 평균 산출부(120)에서 산출된 도로상태 데이터의 평균 중 주행 데이터의 평균을 기초로 퍼스널 모빌리티의 운행상태를 '정상운행'을 포함하는 복수의 클러스터로 분류한다(S230).

데이터셋 산출부(124)는 평균 산출부(120)에서 산출된 도로상태 데이터의 평균과 퍼스널 모빌리티가 주행한 시간대 및 장소를 매칭하여 데이터 셋을 산출한다(S240).

라벨링부(126)는 산출된 데이터 셋을 분류된 운행상태로 라벨링을 하여 도로의 운행상태 분류모델을 학습시킬 트레이닝 셋을 산출한다(S260).

트레이닝부(128)는 산출된 트레이닝 셋으로 도로의 운행상태 분류모델을 학습시킨다(S280).

도 3은 본 실시예에 따른 도로의 주행 데이터를 획득하기 위한 센서가 결합된 퍼스널 모빌리티의 예시도이다.

도 3과 같이, 퍼스널 모빌리티에는 퍼스널 모빌리티의 위치 데이터를 획득하기 위한 위치 센서, 주행 이미지를 획득하기 위한 초소형 카메라 등의 이미지 센서, XYZ축 가속도를 획득하기 위한 XYZ축 가속도 센서, 주행 속도를 획득하기 위한 속도 센서 등이 결합될 수 있다. 또한, 퍼스널 모빌리티의 특성 상 앞바퀴와 뒷바퀴에서의 XYZ축 가속도 등에서 차이가 있을 수 있어 각 센서는 퍼스널 모빌리티의 앞바퀴, 뒷바퀴 각각에 결합될 수 있다.

도 4는 본 실시예에 따른 기 학습된 도로의 운행상태 분류모델을 이용한 도로상태 분류 및 현시방법(displaying method)에 대한 블록구성도이다.

본 실시예에 따른 기 학습된 도로의 운행상태 분류모델을 이용한 도로상태 분류 및 현시방법은 학습된 도로의 운행상태 분류모델(400), 분류장치(420) 및 현시장치(440)를 전부 또는 일부 포함할 수 있다. 그러나 도 4에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 일부 블록이 추가, 변경 또는 삭제될 수 있다. 예컨대, 학습된 도로상태 분류모델(400) 또는 현시장치(displaying unit, 440)가 분류장치(420)에 포함될 수 있으며, 다른 퍼스널 모빌리티와 통신할 수 있는 네트워크 장치 등이 추가될 수 있다.

학습된 도로의 운행상태 분류모델(400)은 본 실시예에 따른 도로의 운행상태 분류모델 학습방법에 사전에 트레이닝된 학습된 모델이나, 반드시 이에 국한되는 것은 아니고, 추가적 학습이나 가중치의 개선이 이루어진 것일 수 있다.

분류장치(420)는 학습된 도로의 운행상태 분류모델(400)의 클러스터링된 클러스터링 데이터에 대응되는 데이터를 전부 또는 일부 획득하여 획득한 데이터를 포함하는 인스턴스(instance)를 생성하고, 생성된 인스턴스에 대응하는 운행상태를 예측하는 작업을 수행한다. 분류장치는 인스턴스 생성부(422) 및 분석부(424)를 전부 또는 일부 포함할 수 있으나, 반드시 이에 한정하는 것은 아니다. 예컨대, 학습된 도로의 운행상태 분류모델(400)(또는 분류모델이 저장된 데이터베이스)을 포함할 수 있다.

인스턴스 생성부(422)는 퍼스널 모빌리티의 운행상태를 분류할 데이터를 기초로 인스턴스를 생성한다. 인스턴스를 생성할 데이터는 학습된 도로의 운행상태 분류모델(400)의 클러스터링 데이터에 대응되는 도로의 운행상태 데이터의 전부 또는 일부에 해당하는 데이터로서, 퍼스널 모빌리티에 결합된 센서 또는 외부 데이터베이스로부터 획득된 데이터이다. 도로상태 데이터는 클러스터링된 데이터에 대응하여, 퍼스널 모빌리티에 결합된 속도 센서, 기울기 센서로부터 획득한 주행속도 및 기울기를 포함할 수 있다. 또한, 클러스터링 데이터에 대응하여, 외부 데이터베이스로부터 주행 중인 도로와 관련하여 주행 도로의 기온, 전일 강수량, 금일 강수량 등을 획득할 수 있다. 이렇게 획득한 도로의 운행상태 데이터는 예측을 수행할 관측치(X)가 된다. 인스턴스 생성부(422)는 이러한 관측치를 바탕으로 인스턴스를 생성한다.

분석부(424)는 클러스터링 데이터를 이용하여 생성된 관측치(X)의 운행상태를 예측한다. 이러한 예측은, 클러스터링 데이터로부터 인접한 n(n >= 1, 자연수)개의 인접 클러스터링 데이터를 추출하고, 추출된 인접 클러스터링 데이터 가운데 다수(majority)가 속하는 클러스터를 추출하여 추출된 클러스터에 대응하는 운행상태를 예측값으로 추출함으로써 이루어질 수 있다. 이때, 인접한 n 개의 클러스터링 데이터를 산출하는 방법은, 클러스터링된 데이터와 인스턴스 간 유사도(similarity)를 산출하여 유사도가 높은 상위 n 개의 클러스터링된 데이터를 추출함으로써 이루어질 수 있다. 유사도를 산출하고 다수가 속하는 클러스터를 추출하는 방법은 도 6에서 후술한다.

현시장치(440)는 본 실시예에 따른 도로의 운행상태 분류방법을 이용하여 도로의 운행상태를 현시한다. 도로의 운행상태 분류방법에서 예측된 운행상태가 '정상운행(normal driving)'이 아닌 경우, 퍼스널 모빌리티에 결합된 위치 센서로부터 위치 데이터(geometry data)를 획득하고, 이미지 센서로부터 주행 이미지를 획득하여, 퍼스널 모빌리티가 주행하는 방향으로 특정 물체가 관측(observe)되거나 출현하는 예외적인 상황이 발생하여 '정상운행' 상태가 아닌 지를 구분한다. 예외적인 상황에 의한 것이 아닌 경우, '정상운행'이 이루어지지 않음을 퍼스널 모빌리티 사용자에게 알리기 위하여 예측된 운행상태를 속성 데이터(attribute data)로 하여 퍼스널 모빌리티의 위치 데이터와 함께 GIS(Geographic Information System)에 맵핑(mapping)한다. 현시장치(440)는 위치획득부(442), 이미지획득부(444), 물체판단부(446), 맵핑부(448) 및 표시부(449)를 전부 또는 일부 포함할 수 있으나, 반드시 이에 국한되는 것은 아니고 각각의 구성요소가 생략 또는 병합될 수 있으며, 현시장치(440)에 포함된 모듈로서 구현될 수도 있다.

위치획득부(442)는 퍼스널 모빌리티에 결합된 위치 센서로부터 퍼스널 모빌리티의 위치 데이터를 획득한다.

이미지획득부(444)는 퍼스널 모빌리티에 결합된 이미지 센서로부터 퍼스널 모빌리티의 주행 이미지를 획득한다. 이러한 이미지 센서는 카메라, 라이다(lidar) 또는 레이더(radar) 등이 될 수 있으며, 획득되는 데이터는 이미지 데이터는 아니나 이미지 데이터에 준한 데이터일 수 있으며, 편의상 그러한 데이터 또한 '주행 이미지(driving image)'로 지칭한다. 예컨대, 탐지 레이더(detection radar)로부터 탐지된 타겟과의 거리 및 위치에 관한 데이터를 '주행 이미지'로 획득할 수 있다.

물체판단부(446)는 이미지획득부(444)가 획득한 주행 이미지로부터 퍼스널 모빌리티의 주행 방향에 특정 물체가 관측되는지를 판단한다. 구체적으로 사람 또는 물체의 출현이 있는지를 판단하여, 특정 물체가 관측된 것으로 판단하는 출력값을 출력한다. 사람 또는 물체의 출현 여부 판단은 획득한 주행 이미지에 따라 그 판단방법이 달라질 수 있다. 이러한 판단의 알고리즘으로는 영상 보행자 검출(pedestrian/people detection)방법 등이 이용될 수 있다.

물체판단부(446)가 특정 물체가 관측되지 않은 것으로 판단하면, 맵핑부(448)는 관측치(X)의 예측된 운행상태를 속성 데이터로 하여, 위치획득부(442)가 획득한 위치 데이터와 속성 데이터를 GIS에 맵핑한다. 여기서 맵핑이란, GIS 맵에 특정 데이터들을 반영시키는 것으로, 이러한 맵핑은 위치 데이터에 대응하는 GIS 맵 상의 특정 위치에 운행상태에 대한 오브젝트(object)를 생성시키는 방식으로 이루어질 수 있다. 또한, GIS가 별도 서버에 구축되어 있고 여러 퍼스널 모빌리티와의 네트워크를 구축한 경우, 여러 사용자로부터 얻은 관측치를 바탕으로 맵핑이 이루어질 수 있고, 이 때 동일 위치에 복수의 오브젝트가 생성되는 경우 맵핑부(448)는 지오프로세싱(geo-processing)을 수행하여 속성 데이터에 대응하는 정보에 강도를 더하여 나타낼 수 있다. 예컨대, 맵핑부(448)는 오브젝트의 수가 증가하는 것을 GIS 맵에 표현되는 오브젝트의 명도나 채도를 증가시키는 방식으로 나타낼 수 있다.

표시부(449)는 GIS 맵의 정보를 표시하는 것으로, 이때의 표시는 시각적으로 표시되는 것뿐 아니라 청각적으로 표시되는 것을 포함할 수 있다. 표시부(449)는 퍼스널 모빌리티 사용자에게 운행상태에 대한 정보를 실시간으로 시각 또는 청각적인 방법으로 알려줄 수 있는 모든 수단을 구비할 수 있다. 예컨대, 표시부(449)는 디스플레이(미도시) 또는 스피커(미도시)를 포함할 수 있다.

도 5는 본 실시예에 따른 도로의 운행상태 분류방법에서 인스턴스를 생성하여 운행상태를 예측하는 방법을 나타내는 흐름도이다.

분류장치(420)의 인스턴스 생성부(422)는 학습된 도로의 운행상태 분류모델(400)의 클러스터링된 클러스터링 데이터에 대응하는 도로상태 데이터의 전부 또는 일부를 퍼스널 모빌리티 또는 외부 데이터베이스로부터 획득한다. 예컨대, 클러스터링 데이터의 특징(feature)에 주행 속도, 기울기, 기온, 전일 강수량, 금일 강수량이 포함되어 있는 경우 퍼스널 모빌리티로부터 주행 속도 및 기울기 데이터를 획득하고, 외부 데이터베이스로부터 기운, 전일 강수량 및 금일 강수량 데이터를 획득한다. 이렇게 획득된 데이터로 분류할 관측치(X)에 해당하는 인스턴스를 생성한다(S500).

분석부(424)는 인스턴스와 클러스터링된 데이터 간 유사도를 측정한다(S520). 유사도는 특징(에 해당하는 데이터) 간의 거리(distance)의 합으로써 측정할 수 있으나, 반드시 이에 국한되는 것은 아니고 통상적으로 이용할 수 있는 유사도 측정방법을 사용할 수 있다. 유사도를 측정하는 예시 및 운행상태를 예측하는 방법에 관하여는 도 6에서 후술한다.

분석부(424)는 측정된 유사도를 기초로 인스턴스와 인접한 상위 n 개의 클러스터링 데이터를 추출한다(S540). 이때, n의 개수는 도로의 운행상태 분류모델의 성능 및 관측치(X)의 특징의 수(number of features)를 고려하여 결정될 수 있으나, 반드시 그에 국한되는 것은 아니다. 예컨대, 분석부(424)의 분석이 이루어지는 장치의 하드웨어적 성능에 따라 정해질 수도 있다.

분석부(424)는 인스턴스와 인접한 상위 n 개의 클러스터링 데이터가 다수 속한 클러스터를 인스턴스의 운행상태 예측값으로 추출한다(S560).

도 6은 본 실시예에 따른 분류모델의 클러스터링된 주행 데이터와의 유사도를 기초로 인스턴스의 운행상태를 예측하는 예시도이다.

도 6에 도시된 그래프는 클러스터링된 데이터의 분포를 나타내고 있다. 각 클러스터링된 데이터가 점으로 표현되어 있으며, 각 데이터가 속하는 클러스터는 각 점의 모양을 달리하여 구분하였다. 도시된 그래프의 각 축(axis)의 개수는 특징의 수에 대응하나, 반드시 일치하는 것은 아니다. 예컨대, 특징들로부터 차원축소가 이루어진 경우, 그래프로 도시된 축의 갯수는 특징의 수보다 적을 수 있다.

도 6의 (a)에는 인스턴스, 즉 관측치(X)의 세 가지 유형의 예시를 나타내고 있다. (A) 관측치는 어느 클러스터에도 속하지 않는 관측치로, 이 경우 n의 개수에 따라 (A)가 속하는 클러스터가 달라진다. (B) 관측치는 원형 점으로 된 클러스터에 포함되어 있다. 이 경우, 분류모델의 처리속도를 고려하여 n은 충분히 작은 수일 수 있다. (C) 관측치는 삼각형 점으로 된 클러스터의 중앙에 위치한다. 이 경우, 분류모델의 처리속도를 고려하여 n은 1일 수 있다. 이와 같이, 인접 n 개의 클러스터링 데이터를 추출할 때 n은 적절한 수로 정해질 필요성이 있다. 예컨대, (B) 또는 (C)에 해당하는 관측치의 유사도를 산출할 때 n이 지나치게 크면 유사도 산출에 불필요한 연산이 수행됨에 따라 분류모델의 속도가 저하될 수 있다.

도 6의 (b)에는 관측치 (A)의 인접 n 개의 클러스터링 데이터를 산출하고, 그 중 다수가 속한 클러스터를 찾는 방법의 예시를 나타내고 있다. 이때, 유사도를 측정하기 위하여 (A)의 각 특징값과 각 클러스터링 데이터 간 거리값을 산정하여야 한다. 이렇게 산정된 특징값을 모두 합한 값을 유사도로 할 수 있다. 단, 이때 유사도는 특징값의 크기에 영향을 받을 수 있어 각 특징값의 성격에 따라 특징값에 표준화(standardization) 또는 정규화(normalization)를 수행한 후 유사도를 측정할 수 있다. 이러한 전처리 과정은 반드시 표준화 및 정규화에 국한되는 것은 아니다.

도 6의 (b)에는 (A)와 인접한, 상위 n 개의 인접 클러스터링 데이터를 점선으로 된 원으로 나타내고 있다. 본 예시도에 따르면 (A)와 인접한 n 개의 클러스터링 데이터 중 다수에 해당하는 클러스터는 사각형 점으로 된 클러스터이므로, 분석부(424)는 사각형 점으로 된 클러스터에 해당하는 운행상태를 예측값으로 산출할 것이다.

도 7은 본 실시예에 따른 분류모델을 이용한 도로상태 현시방법에서 지오프로세싱을 수행한 예시도이다.

도 7의 지도는 GIS에 의해 산출된 GIS 맵의 한 예시이다. GIS 맵 상의 각 점들은 여러 관측치로부터 처리된 예측값에 대응하는 오브젝트를 표현한 것이다. GIS 맵은 지오프로세싱을 수행하여, 도로의 특정 위치에 운행상태에 관한 오브젝트가 다수 발생하는 경우 오브젝트들을 구분 가능하게 표현할 수 있다. 예컨대, 도 7의 예시도와 같이, 도로에 표시된 점들의 크기를 달리하여 오브젝트의 수를 나타낼 수 있다. 예컨대, 도 7과 같이 '운행중단' 상태를 의미하는 원형 점의 크기가 클수록, 관련 예측치가 다수 산출되었음을 의미한다. 관련 예측치가 산출된 횟수를 나타내는 다른 방법으로는 산출된 횟수에 따라 명도 또는 채도를 달리하는 방법이 있다.

도 8은 본 실시예에 따른 분류모델을 이용한 도로상태 현시방법을 나타내는 흐름도이다.

현시장치(440)는 분석장치(420)의 예측치가 '정상운행'인지 여부를 판단한다(S820). '정상운행'이 아닌 경우, 물체판단부(446)는 이미지획득부(444)에서 획득한 주행 이미지 또는 이에 대응하는 데이터로부터 퍼스널 모빌리티의 주행 방향으로 특정 물체가 출현하였는지를 판단한다.

특정 물체가 출현하였다고 판단되는 경우는 운행상태 이상이 예외적인 상황에 의한 것이므로, GIS 맵에 맵핑될 필요가 없다.

특정 물체가 출현하지 않은 것으로 판단되는 경우, 맵핑부(448)는 위치획득부(442)로부터 획득한 퍼스널 모빌리티의 위치 데이터 및 운행상태 예측치인 속성 데이터를 GIS에 맵핑하여, GIS 맵에 반영하게 한다(S860).

현시장치(440)의 맵핑부(448)는 GIS 맵에 반영된 위치 데이터 및 속성 데이터를 사용자에게 감각적으로 표현하여 실시간으로 운행상태에 관한 정보를 제공할 수 있게 지오프로세싱을 수행한다(S880).

도 2, 도 5 및 도 8에서는 과정 각 과정들을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 발명의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 발명의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 2, 도 5 및 도 8에 기재된 순서를 변경하여 실행하거나 각 과정 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 2, 도 5 및 도 8의 시계열적인 순서로 한정되는 것은 아니다.

한편, 전술한 바와 같이 도 1 및 도4에 기재된 본 실시예에 따른 학습장치(100), 데이터베이스(140), 학습된 도로의 운행상태 분류모델(400), 분류장치(420) 및 현시장치(440)의 동작은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는　기록매체에 기록될 수 있다. 본 실시예에 따른 학습장치(100), 데이터베이스(140), 학습된 도로의 운행상태 분류모델(400), 분류장치(420) 및 현시장치(440)의 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는　기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는　기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등의 비 일시적인(non-transitory) 매체일 수 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송) 및 데이터 전송 매체(data transmission medium)와 같은 일시적인(transitory) 매체를 더 포함할 수도 있다. 또한, 컴퓨터가 읽을 수 있는　기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.

본 명세서에 설명되는 시스템들 및 기법들의 다양한 구현예들은, 디지털 전자 회로, 집적 회로, FPGA(field programmable gate array), ASIC(application specific integrated circuit), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합으로 실현될 수 있다. 이러한 다양한 구현예들은 프로그래밍가능 시스템상에서 실행 가능한 하나 이상의 컴퓨터 프로그램들로 구현되는 것을 포함할 수 있다. 프로그래밍가능 시스템은, 저장 시스템, 적어도 하나의 입력 디바이스, 그리고 적어도 하나의 출력 디바이스로부터 데이터 및 명령들을 수신하고 이들에게 데이터 및 명령들을 전송하도록 결합되는 적어도 하나의 프로그래밍가능 프로세서(이것은 특수 목적 프로세서일 수 있거나 혹은 범용 프로세서일 수 있음)를 포함한다. 컴퓨터 프로그램들(이것은 또한 프로그램들, 소프트웨어, 소프트웨어 애플리케이션들 혹은 코드로서 알려져 있음)은 프로그래밍가능 프로세서에 대한 명령어들을 포함하며 "컴퓨터가 읽을 수 있는　기록매체"에 저장된다.

컴퓨터가 읽을 수 있는　기록매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는　기록매체는 ROM, CD-ROM, 자기 테이프, 플로피디스크, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등의 비휘발성(non-volatile) 또는 비 일시적인(non-transitory) 매체일 수 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송) 및 데이터 전송 매체(data transmission medium)와 같은 일시적인(transitory) 매체를 더 포함할 수도 있다. 또한, 컴퓨터가 읽을 수 있는　기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.

본 명세서에 설명되는 시스템들 및 기법들의 다양한 구현예들은, 프로그램가능 컴퓨터에 의하여 구현될 수 있다. 여기서, 컴퓨터는 프로그램가능 프로세서, 데이터 저장 시스템(휘발성 메모리, 비휘발성 메모리, 또는 다른 종류의 저장 시스템이거나 이들의 조합을 포함함) 및 적어도 한 개의 커뮤니케이션 인터페이스를 포함한다. 예컨대, 프로그램가능 컴퓨터는 서버, 네트워크 기기, 셋탑 박스, 내장형 장치, 컴퓨터 확장 모듈, 개인용 컴퓨터, 랩탑, PDA(Personal Data Assistant), 클라우드 컴퓨팅 시스템 또는 모바일 장치 중 하나일 수 있다.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 학습장치 110: 도로상태 데이터 수집부
112: 주행 데이터 획득부 114: 외부 데이터 획득부
120: 평균 산출부 122: 분류부
124: 데이터셋 산출부 126: 라벨링부
128: 트레이닝부 140: 데이터베이스
400: 학습된 도로의 운행상태 분류모델
420: 분류장치 422: 인스턴스 생성부
424: 분석부 440: 현시장치
442: 위치획득부 444: 이미지획득부
446: 물체판단부 448: 맵핑부
449: 표시부

Claims (13)

1. 퍼스널 모빌리티(personal mobility)가 주행하는 도로의 운행상태를 분류하는 분류모델(driving state clustering model) 학습방법에 있어서,
   상기 퍼스널 모빌리티에 결합된 센서로부터 상기 퍼스널 모빌리티의 주행속도(driving speed) 및 상기 퍼스널 모빌리티의 기울기(slope)를 포함하는 주행 데이터를 획득하여 도로상태 데이터(road state data)를 수집하는 수집과정;
   상기 도로상태 데이터를 이용하여 특정 시간 동안의 도로상태 데이터 평균을 연산하고, 연산된 도로상태 데이터 평균을 상기 퍼스널 모빌리티가 주행하는 시간대 및 장소와 매칭하여 데이터 셋(data set)을 형성하는 데이터 셋 산출과정;
   상기 주행 데이터 평균을 기초로 상기 도로의 운행상태를 분류(classify)하는 분류과정; 및
   분류된 운행상태를 기초로 상기 데이터 셋을 라벨링(labeling)하고, 라벨링된 데이터 셋을 트레이닝 셋(training set)으로 하여 머신 러닝(machine learning) 기반의 운행상태 분류 모델을 트레이닝시키는 학습과정을 포함하되,
   상기 분류과정은,
   정상운행을 포함하는 클러스터로 분류하는 것
   을 특징으로 하는 퍼스널 모빌리티의 운행상태 분류모델 학습방법.
2. 제 1항에 있어서,
   상기 주행 데이터는 상기 퍼스널 모빌리티에 결합된 센서로부터 획득된 3축 각속도(3-axis angular velocity)를 더 포함하는 것을 특징으로 하는 퍼스널 모빌리티의 운행상태 분류모델 학습방법.
3. 제 1항에 있어서,
   상기 수집과정은,
   외부 데이터베이스로부터 상기 도로의 기온 데이터, 전일 강수량 데이터 및 금일 강수량 데이터를 전부 또는 일부 수신하여 상기 도로상태 데이터에 추가하는 것을 특징으로 하는 퍼스널 모빌리티의 운행상태 분류모델 학습방법.
4. 제 1항에 있어서,
   상기 도로상태 데이터를 내부 데이터베이스에 저장 및 관리하는 관리과정을 더 포함하는 것을 특징으로 하는 퍼스널 모빌리티 운행상태 분류모델 학습방법.
5. 제 1항 내지 4항 중 어느 한 항에 따른 학습방법에 의해 기 학습된 도로의 운행상태 분류모델을 이용한 도로의 운행상태를 분류하는 분류방법에 있어서,
   상기 기 학습된 도로의 운행상태 분류모델의 클러스터링된 클러스터링 데이터(clustering data)에 대응하여, 퍼스널 모빌리티가 주행하는 도로의 도로상태 데이터 전부 또는 일부를 획득하여 인스턴스(instance)를 생성하는 인스턴스 생성과정; 및
   상기 클러스터링 데이터를 이용하여 상기 인스턴스에 대응하는 운행상태를 예측(prediction)하는 분석과정
   을 포함하는 것을 특징으로 하는 퍼스널 모빌리티의 운행상태 분류방법.
6. 제 5항에 있어서,
   상기 분석과정은,
   상기 클러스터링 데이터로부터 상기 인스턴스와 인접한 n 개(n >= 1)의 인접 클러스터링 데이터를 추출하고, 추출된 인접 클러스터링 데이터 가운데 다수(majority)가 속하는 클러스터를 추출하여 추출된 클러스터에 대응하는 운행상태를 예측값으로 추출하는 것
   을 특징으로 하는 퍼스널 모빌리티의 운행상태 분류방법.
7. 제 5항에 따른 도로의 운행상태 분류방법을 이용하여 도로의 운행상태를 현시하는 현시방법에 있어서, 상기 예측된 운행상태가 정상운행이 아닌 경우,
   상기 퍼스널 모빌리티에 결합된 위치 센서로부터 위치 데이터(geometry data)를 획득하는 위치 획득과정;
   상기 퍼스널 모빌리티에 결합된 이미지 센서로부터 주행 이미지(driving image)를 획득하는 이미지 획득과정;
   상기 주행 이미지로부터 상기 퍼스널 모빌리티의 주행 방향에 특정 물체가 관측되는지를 판단하는 물체 판단과정; 및
   특정 물체가 관측되지 않은 것으로 판단한 경우, 상기 예측된 운행상태를 속성 데이터(attribute data)로 하여 상기 속성 데이터 및 상기 위치 데이터를 GIS(Geographic Information System)에 맵핑(mapping)하는 맵핑과정
   을 포함하는 것을 특징으로 하는 퍼스널 모빌리티의 운행상태 현시방법.
8. 제 7항에 있어서,
   상기 물체 판단과정은,
   상기 주행 이미지로부터 상기 주행 방향에 사람 또는 물체의 출현 여부를 판단하여, 사람 또는 물체가 출현하는 경우를 특정 물체가 관측된 상태로 판단하는 것을 특징으로 하는 퍼스널 모빌리티의 운행상태 현시 방법.
9. 제 7항에 있어서,
   상기 맵핑은,
   상기 위치 데이터에 대응하는 GIS 맵에 상기 속성 데이터를 기초로 지오프로세싱(geo-processing)을 수행하여 상기 속성 데이터에 대응하는 정보를 시각적 또는 청각적으로 나타내는 것
   을 특징으로 하는 퍼스널 모빌리티의 운행상태 현시 방법.
10. 제 5항 내지 제 6항 중 어느 한 항에 따른 퍼스널 모빌리티의 운행상태 분류방법이 포함하는 각 과정을 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터 프로그램.
11. 제 7항 내지 제 9항 중 어느 한 항에 따른 퍼스널 모빌리티의 운행상태 현시방법이 포함하는 각 과정을 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터 프로그램.
12. 제 1항 내지 4항 중 어느 한 항에 따른 학습방법에 의해 기 학습된 도로의 운행상태 분류모델을 이용한 도로의 운행상태를 분류하는 분류장치에 있어서,
    상기 기 학습된 도로의 운행상태 분류모델의 클러스터링된 클러스터링 데이터(clustering data)에 대응하여, 퍼스널 모빌리티가 주행하는 도로의 도로상태(driving state data) 데이터 전부 또는 일부를 획득하여 인스턴스(instance)를 생성하는 인스턴스 생성부; 및
    상기 클러스터링 데이터를 이용하여 상기 인스턴스에 대응하는 운행상태를 예측(prediction)하는 분석부
    를 포함하는 것을 특징으로 하는 퍼스널 모빌리티의 운행상태 분류장치.
13. 제 12항에 따른 도로의 운행상태 분류장치를 이용하여 도로의 운행상태를 현시하는 현시장치에 있어서, 상기 예측된 운행상태가 정상운행이 아닌 경우,
    상기 퍼스널 모빌리티에 결합된 위치 센서로부터 위치 데이터(geometry data)를 획득하는 위치획득부;
    상기 퍼스널 모빌리티에 결합된 이미지 센서로부터 주행 이미지(driving image)를 획득하는 이미지획득부;
    상기 주행 이미지로부터 상기 퍼스널 모빌리티의 주행 방향에 특정 물체가 관측되는 지를 판단하는 물체판단부; 및
    특정 물체가 관측되지 않는 경우, 상기 예측된 운행상태를 속성 데이터(attribute data)로 하여 상기 속성 데이터 및 상기 위치 데이터를 GIS(Geographic Information System)에 맵핑(mapping)하는 맵핑부
    를 포함하는 것을 특징으로 하는 퍼스널 모빌리티의 운행상태 현시장치.
    
    
    
    
    
    
    
    
    
    
    

Images