KR20220029802A

KR20220029802A - 차량의 액추에이터 고장 검출 장치 및 그 방법

Info

Publication number: KR20220029802A
Application number: KR1020200108517A
Authority: KR
Inventors: 이상휴; 이기범; 남주한; 임종수; 방현재
Original assignee: 현대자동차주식회사; 기아 주식회사
Priority date: 2020-08-27
Filing date: 2020-08-27
Publication date: 2022-03-10
Also published as: US11858522B2; CN114115169A; US20220063641A1; DE102021121452A1

Abstract

본 발명은 차량의 액추에이터 고장 검출 장치 및 그 방법에 관한 것으로, 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델을 학습시키고, 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 각 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델을 학습시키며, 상기 제1 모델과 상기 제2 모델을 기반으로 각 액추에이터의 고장 여부를 판단함으로써, 복잡한 계산 과정없이 신속 정확하게 차량 내 각 액추에이터의 고장을 검출해 낼 수 있는 차량의 액추에이터 고장 검출 장치 및 그 방법을 제공하고자 한다.
이를 위하여, 본 발명은 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델을 학습시키고, 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델을 학습시키는 학습부; 및 상기 제1 모델과 상기 제2 모델을 기반으로 차량 내 액추에이터의 고장을 검출하는 제어부를 포함할 수 있다.

Description

차량의 액추에이터 고장 검출 장치 및 그 방법{APPARATUS FOR DETECTING ERROR OF ACTUATOR IN VEHICLE AND METHOD THEREOF}

본 발명은 심층 학습을 기반으로 차량 내 액추에이터(actuator)의 고장을 검출하는 기술에 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.

콘볼루션 신경망에 입력되는 데이터는 트레이닝 셋과 테스트 셋으로 구분되는데, 콘볼루션 신경망은 트레이닝 셋을 통해 신경망의 가중치를 학습하고, 이렇게 학습된 결과를 테스트 셋을 통해 확인한다.

이러한 콘볼루션 신경망에서는 데이터가 입력되면 입력층(Input Layer)에서 은닉층(Hidden Layer)까지 연산이 차근차근 진행되어 그 결과가 출력되는데, 이 과정에서 입력 데이터는 모든 노드를 한번씩만 경유하게 된다.

이렇게 입력 데이터가 모든 노드를 한번씩만 경유한다는 것은 데이터의 순서 즉 시간적인 측면을 고려하지 않는 구조라는 것을 의미한다. 결국, 콘볼루션 신경망은 입력 데이터의 시간 순서에 상관없이 학습을 수행한다. 반면, 순환 신경망은 은닉층의 결과가 다시 상기 은닉층에 입력되는 구조를 갖는다. 이러한 구조는 입력 데이터의 시간 순서가 고려되는 것을 의미한다.

차량 내 액추에이터의 고장을 검출하는 종래의 기술은, 트랙터 트레일러의 경우, 화물의 적재량과 무게중심, 노면의 구배와 뱅크 및 곡률, 트레일러의 거동에 대한 칼만필터 기반의 예측을 통해 차량 내 엑추에이터의 고장을 검출하였다. 따라서, 종래의 기술은 차량의 제어에 대한 복잡성으로 인해 차량 내 액추에이터의 고장 여부를 정확도 높게 검출하지 못하는 문제점이 있다.

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.

상기와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델을 학습시키고, 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 각 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델을 학습시키며, 상기 제1 모델과 상기 제2 모델을 기반으로 각 액추에이터의 고장 여부를 판단함으로써, 복잡한 계산 과정없이 신속 정확하게 차량 내 각 액추에이터의 고장을 검출해 낼 수 있는 차량의 액추에이터 고장 검출 장치 및 그 방법을 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 차량의 액추에이터 고장 검출 장치는, 조향 보상각과 횡방향 데이터 및 액추에이터의 고장 확률값으로 이루어진 학습데이터를 이용하여 메인 모델을 학습시키는 학습부; 및 상기 메인 모델을 기반으로 차량 내 액추에이터의 고장을 검출하는 제어부를 포함할 수 있다.

본 발명의 일실시예에서, 상기 조향 보상각은 상기 차량의 거동 데이터를 입력받아 조향 보상각을 출력하는 전처리 모델의 출력값일 수 있다.

본 발명의 일실시예에서, 상기 메인 모델은 상기 조향 보상각과 상기 횡방향 데이터를 입력받아 상기 액추에이터의 고장 확률값을 출력할 수 있다.

본 발명의 일실시예에서, 상기 거동 데이터는 차량의 조향각(Steering Angle), 차량의 속도(Longitudinal Speed), 차량의 종방향 가속도(Longitudinal Acceleration) 중에서 적어도 하나를 포함할 수 있다.

본 발명의 일실시예에서, 상기 거동 데이터는 트랙터의 요레이트(Tractor Yaw Rate) 및 히치 앵글(Hitch Angle)을 더 포함할 수 있다.

본 발명의 일실시예에서, 상기 횡방향 데이터는 상기 차량의 횡방향 가속도, 상기 차량의 주행경로 대비 횡방향 오차 데이터 중에서 적어도 하나를 포함할 수 있다.

본 발명의 일실시예에서, 상기 액추에이터는 조향 액추에이터, 구동 액추에이터, 및 제동 액추에이터 중 적어도 하나를 포함할 수 있다.

본 발명의 일실시예에서, 상기 제어부는 상기 액추에이터에 고장이 발생한 경우, 운전자에게 경고할 수 있다.

본 발명의 일실시예에서, 상기 제어부는 상기 액추에이터에 고장이 발생한 경우, 리던던시(Redundancy) 주행을 수행하도록 자율주행차량에 요청할 수 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 방법은, 학습부가 조향 보상각과 횡방향 데이터 및 액추에이터의 고장 확률값으로 이루어진 학습데이터를 이용하여 메인 모델을 학습시키는 단계; 및 제어부가 상기 메인 모델을 기반으로 차량 내 액추에이터의 고장을 검출하는 단계를 포함할 수 있다.

상기와 같은 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치 및 그 방법은, 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델을 학습시키고, 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 각 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델을 학습시키며, 상기 제1 모델과 상기 제2 모델을 기반으로 각 액추에이터의 고장 여부를 판단함으로써, 복잡한 계산 과정없이 신속 정확하게 차량 내 각 액추에이터의 고장을 검출해 낼 수 있다.

도 1 은 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치에 대한 구성도,
도 2 는 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치에 구비된 학습부의 상세 구성도,
도 3 은 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치의 학습부에 구비된 제1 모델의 상세 구조도,
도 4 는 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치의 학습부에 구비된 제2 모델의 상세 구조도,
도 5 는 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 방법에 대한 흐름도,
도 6 은 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 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 차량의 액추에이터 고장 검출 장치에 대한 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치(100)는, 저장부(10), 입력부(20), 학습부(30), 및 제어부(40)를 포함할 수 있다. 이때, 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치(100)를 실시하는 방식에 따라 각 구성요소는 서로 결합되어 하나로 구현될 수도 있고, 일부의 구성요소가 생략될 수도 있다. 특히, 학습부(30)의 기능은 제어부(40)에 의해 수행되도록 구현될 수도 있다.

상기 각 구성요소들에 대해 살펴보면, 먼저 저장부(10)는 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델(추론 모델)을 학습시키고, 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 각 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델(추론 모델)을 학습시키며, 상기 제1 모델과 상기 제2 모델을 기반으로 각 액추에이터의 고장 여부를 판단하는 과정에서 요구되는 각종 로직과 알고리즘 및 프로그램을 저장할 수 있다.

저장부(10)는 학습부(30)에 의해 학습이 완료된 제1 모델(전처리 모델)과 제2 모델(메인 모델)을 저장할 수도 있다.

이러한 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.

입력부(20)는 차량의 거동 데이터(학습데이터 또는 테스트데이터)를 제1 모델(31)에 입력할 수 있고, 횡방향(Lateral) 데이터(학습데이터 또는 테스트데이터)를 제2 모델(32)에 입력할 수 있다. 이때, 차량의 거동 데이터는 조향각(Steering Angle), 차량의 속도(Longitudinal Speed), 종방향 가속도(Longitudinal Acceleration)를 포함할 수 있으며, 상기 차량이 트랙터 트레일러인 경우에 트랙터의 요레이트(Tractor Yaw Rate), 히치 앵글(Hitch Angle)를 더 포함할 수 있다. 여기서, 히치 앵글은 트랙터와 트레일러 사이의 각도를 의미한다. 또한, 횡방향 데이터는 조향 보상각(

), 횡방향 가속도(

), 차량의 주행경로 대비 횡방향 오차 데이터(

)를 포함할 수 있다.

학습부(30)는 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델(추론 모델)을 학습시키고, 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 각 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델(추론 모델)을 학습시킬 수 있다.

제어부(40)는 상기 각 구성요소들이 제 기능을 정상적으로 수행할 수 있도록 전반적인 제어를 수행한다. 이러한 제어부(40)는 하드웨어의 형태로 구현되거나, 또는 소프트웨어의 형태로 구현되거나, 또는 하드웨어 및 소프트웨어가 결합된 형태로 구현될 수 있다. 바람직하게는, 제어부(40)는 마이크로프로세서로 구현될 수 있으나 이에 한정되는 것은 아니다.

특히, 제어부(40)는 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델(31)을 학습시키고, 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 각 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델(32)을 학습시키도록 학습부(30)를 제어할 수 있다.

제어부(40)는 상기 제1 모델(31)과 상기 제2 모델(32)을 기반으로 차량 내 각 액추에이터의 고장 여부를 판단할 수 있다. 즉, 제어부(40)는 차량 내 각 액추에이터의 고장을 검출할 수 있다.

제어부(40)는 차량 내 적어도 하나의 액추에이터에 고장이 발생한 경우, 운전자에게 경고할 수 있다. 이때, 상기 차량이 자율주행차량인 경우, 리던던시(Redundancy) 주행을 수행하도록 자율주행시스템에 요청할 수도 있다.

제어부(40)는 차량에 구비된 내비게이션 시스템(미도시)과 연동하여 차량의 주행경로 정보를 획득할 수도 있다.

제어부(40)는 차량에 구비된 각종 센서(라이다 센서, 레이더 센서, 카메라 등)로부터 획득한 정보에 기초하여 차량의 주행경로 대비 횡방향 오차를 검출할 수 있다. 즉, 제어부(40)는 차량의 주행경로 대비 횡방향 오차 데이터를 생성할 수 있다.

제어부(40)는 차량에 구비된 각종 센서로부터 차량의 거동 데이터와 횡방향 데이터를 획득할 수 있다.

제어부(40)는 차량 네트워크를 통해 차량의 거동 데이터를 획득할 수도 있다. 이때, 차량 네트워크는 CAN(Controller Area Network), CAN FD(Controller Area Network with Flexible Data-rate), LIN(Local Interconnect Network), 플렉스레이(FlexRay), MOST(Media Oriented Systems Transport), 이더넷(Ethernet) 등을 포함할 수 있다.

도 2 는 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치에 구비된 학습부의 상세 구성도이다.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치에 구비된 학습부(30)는, 제1 모델(31)과 제2 모델(32)를 구비할 수 있다.

제1 모델(31)은 전처리 모델로서 FCNN(Fully Connected Neural Network)으로 구현되는 것이 바람직하나, CNN(Convolution Neural Network) 또는 구글넷(GoogleNet)으로도 구현 가능하다.

이러한 제1 모델(31)은 추론 모델로서, 입력부(20)로부터 차량의 거동 데이터와 그에 상응하는 조향 보상각으로 이루어진 제1 학습데이터를 입력받아 학습을 수행할 수 있다. 이때, 제1 모델(31)은 지도학습(Supervised Learning) 방식으로 학습을 수행할 수 있다.

또한, 제1 모델(31)은 학습이 완료되어 차량에 적용되는 경우, 입력부(20)로부터 차량의 거동 데이터를 입력받아 최적의 조향 보상각을 출력할 수 있다.

참고로, 트랙터 트레일러는 견인 차량(트랙터)과 피견인 차량(트레일러)이 연결된 형태를 가지므로, 견인 차량의 동역학 변화가 피견인 차량에 영향을 주게 된다. 따라서, 도 3에 도시된 바와 같이 모든 뉴런이 연결되어 있는 제1 모델(31)이 타겟 차량의 동역학 요소를 해석하고 정확한 값을 찾아내는데 적합하다.

제2 모델(32)은 메인 모델로서 RNN(Recurrent Neural Network)으로 구현되는 것이 바람직하나, LSTM(Long Short-Term Memory)으로도 구현 가능하다.

이러한 제2 모델(32)은 추론 모델로서, 상기 제1 모델(31)의 출력값인 조향 보상각과 횡방향 데이터 및 각 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 기반으로 학습을 수행할 수 있다. 이때, 제2 모델(32)은 비지도학습(Unsupervised Learning) 방식으로 학습을 수행할 수 있다.

또한, 제2 모델(32)은 학습이 완료되어 차량에 적용되는 경우, 상기 제1 모델(31)의 출력값인 조향 보상각과 입력부(20)로부터의 횡방향 데이터를 입력받아 각 액추에이터의 고장 확률값을 출력할 수 있다.

참고로, 액추에이터의 고장을 검출하는데 이용되는 데이터는 시퀀스 데이터(Sequence Data)이므로, 도 4에 도시된 바와 같이 시퀀스 데이터를 처리할 수 있는 제2 모델(32)이 적합하다.

도 3 은 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치의 학습부에 구비된 제1 모델의 상세 구조도이다.

도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치의 학습부(30)에 구비된 제1 모델(31)은, 조향각(Steering Angle), 차량의 속도(Longitudinal Speed), 종방향 가속도(Longitudinal Acceleration), 트랙터의 요레이트(Tractor Yaw Rate), 및 히치 앵글(Hitch Angle) 중에서 적어도 하나를 입력받는 입력층(Input Layer)과, 상기 입력층으로부터 전달되는 변수값들의 선형 결합(Linear Combination)을 비선형 함수로 처리하는 히든층(Hidden Layer), 상기 히든층의 처리 결과로서 조향 보상각(

)을 출력하는 출력층(Output Layer)을 포함할 수 있다.

도 4 는 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치의 학습부에 구비된 제2 모델의 상세 구조도이다.

도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 장치의 학습부(30)에 구비된 제2 모델(23)은, 제1 모델(31)의 출력인 조향 보상각(

)과 횡방향 데이터로서 차량의 횡방향 가속도(

) 및 차량의 주행경로 대비 횡방향 오차 데이터(

) 중에서 적어도 하나를 입력받는 입력층(Input Layer)과, 상기 입력층으로부터 전달되는 변수값들의 선형 결합을 비선형 함수로 처리하는 히든층(Hidden Layer), 상기 히든층의 처리 결과로서 차량의 각 액추에이터의 고장 확률값을 출력하는 출력층(Output Layer)을 포함할 수 있다.

도 4에서, 각 액추에이터는 조향 액추에이터의 고장 확률값(P_{steering error})과, 구동 액추에이터의 고장 확률값(P_{acc error}), 및 제동 액추에이터의 고장 확률값(P_{brake error}) 중 적어도 하나를 포함할 수 있다. 이때, 조향 액추에이터는 조향장치를 포함할 수 있고, 구동 액추에이터는 엔진, 모터 등을 포함할 수 있으며, 제동 액추에이터는 ABS(Anti lock Brake System), 긴급제동시스템, 공기식 제동장치(Air Brake System) 등을 포함할 수 있다.

도 5 는 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 방법에 대한 흐름도이다.

먼저, 학습부(30)가 차량의 거동 데이터와 조향 보상각으로 이루어진 제1 학습데이터를 이용하여 제1 모델을 학습시킨다(501).

이후, 학습부(30)가 상기 제1 모델의 출력값인 조향 보상각과 횡방향 데이터 및 액추에이터의 고장 확률값으로 이루어진 제2 학습데이터를 이용하여 제2 모델을 학습시킨다(502).

이후, 제어부(40)가 상기 제1 모델과 상기 제2 모델을 기반으로 차량 내 액추에이터의 고장을 검출한다(503).

도 6 은 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.

도 6을 참조하면, 상술한 본 발명의 일 실시예에 따른 차량의 액추에이터 고장 검출 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: 입력부
30: 학습부
40: 제어부

Claims

조향 보상각과 횡방향 데이터 및 액추에이터의 고장 확률값으로 이루어진 학습데이터를 이용하여 메인 모델을 학습시키는 학습부; 및
상기 메인 모델을 기반으로 차량 내 액추에이터의 고장을 검출하는 제어부
를 포함하는 차량의 액추에이터 고장 검출 장치.
제 1 항에 있어서,
상기 조향 보상각은,
상기 차량의 거동 데이터를 입력받아 조향 보상각을 출력하는 전처리 모델의 출력값인 것을 특징으로 하는 차량의 액추에이터 고장 검출 장치.
제 2 항에 있어서,
상기 거동 데이터는,
차량의 조향각(Steering Angle), 차량의 속도(Longitudinal Speed), 차량의 종방향 가속도(Longitudinal Acceleration) 중에서 적어도 하나를 포함하는 차량의 액추에이터 고장 검출 장치.
제 3 항에 있어서,
상기 거동 데이터는,
트랙터의 요레이트(Tractor Yaw Rate) 및 히치 앵글(Hitch Angle)을 더 포함하는 차량의 액추에이터 고장 검출 장치.
제 1 항에 있어서,
상기 메인 모델은,
상기 조향 보상각과 상기 횡방향 데이터를 입력받아 상기 액추에이터의 고장 확률값을 출력하는 것을 특징으로 하는 차량의 액추에이터 고장 검출 장치.
제 1 항에 있어서,
상기 횡방향 데이터는,
상기 차량의 횡방향 가속도, 상기 차량의 주행경로 대비 횡방향 오차 데이터 중에서 적어도 하나를 포함하는 차량의 액추에이터 고장 검출 장치.
제 1 항에 있어서,
상기 액추에이터는,
조향 액추에이터, 구동 액추에이터, 및 제동 액추에이터 중 적어도 하나를 포함하는 차량의 액추에이터 고장 검출 장치.
제 1 항에 있어서,
상기 제어부는,
상기 액추에이터에 고장이 발생한 경우, 운전자에게 경고하는 것을 특징으로 하는 차량의 액추에이터 고장 검출 장치.
제 1 항에 있어서,
상기 제어부는,
상기 액추에이터에 고장이 발생한 경우, 리던던시(Redundancy) 주행을 수행하도록 자율주행차량에 요청하는 차량의 액추에이터 고장 검출 장치.
학습부가 조향 보상각과 횡방향 데이터 및 액추에이터의 고장 확률값으로 이루어진 학습데이터를 이용하여 메인 모델을 학습시키는 단계; 및
제어부가 상기 메인 모델을 기반으로 차량 내 액추에이터의 고장을 검출하는 단계
를 포함하는 차량의 액추에이터 고장 검출 방법.
제 10 항에 있어서,
상기 조향 보상각은,
상기 차량의 거동 데이터를 입력받아 조향 보상각을 출력하는 전처리 모델의 출력값인 것을 특징으로 하는 차량의 액추에이터 고장 검출 방법.
제 11 항에 있어서,
상기 거동 데이터는,
차량의 조향각(Steering Angle), 차량의 속도(Longitudinal Speed), 차량의 종방향 가속도(Longitudinal Acceleration) 중에서 적어도 하나를 포함하는 차량의 액추에이터 고장 검출 방법.
제 12 항에 있어서,
상기 거동 데이터는,
트랙터의 요레이트(Tractor Yaw Rate), 및 히치 앵글(Hitch Angle)를 더 포함하는 차량의 액추에이터 고장 검출 방법.
제 10 항에 있어서,
상기 메인 모델은,
상기 조향 보상각과 상기 횡방향 데이터를 입력받아 상기 액추에이터의 고장 확률값을 출력하는 것을 특징으로 하는 차량의 액추에이터 고장 검출 방법.
제 10 항에 있어서,
상기 횡방향 데이터는,
상기 차량의 횡방향 가속도, 상기 차량의 주행경로 대비 횡방향 오차 데이터 중에서 적어도 하나를 포함하는 차량의 액추에이터 고장 검출 방법.
제 10 항에 있어서,
상기 액추에이터는,
조향 액추에이터, 구동 액추에이터, 및 제동 액추에이터 중 적어도 하나를 포함하는 차량의 액추에이터 고장 검출 방법.
제 10 항에 있어서,
상기 액추에이터에 고장이 발생한 경우, 상기 제어부가 운전자에게 경고하는 단계
를 더 포함하는 차량의 액추에이터 고장 검출 방법.
제 10 항에 있어서,
상기 액추에이터에 고장이 발생한 경우, 상기 제어부가 리던던시 주행을 수행하도록 자율주행차량에 요청하는 단계
를 더 포함하는 차량의 액추에이터 고장 검출 방법.