KR20220100147A - 차량의 접촉 사고 부위 추정 방법 및 시스템 - Google Patents

차량의 접촉 사고 부위 추정 방법 및 시스템 Download PDF

Info

Publication number
KR20220100147A
KR20220100147A KR1020210002154A KR20210002154A KR20220100147A KR 20220100147 A KR20220100147 A KR 20220100147A KR 1020210002154 A KR1020210002154 A KR 1020210002154A KR 20210002154 A KR20210002154 A KR 20210002154A KR 20220100147 A KR20220100147 A KR 20220100147A
Authority
KR
South Korea
Prior art keywords
vehicle
contact accident
machine learning
learning model
contact
Prior art date
Application number
KR1020210002154A
Other languages
English (en)
Other versions
KR102522151B1 (ko
Inventor
홍현수
김제관
배재휴
정태기
Original Assignee
주식회사 디파인
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 디파인 filed Critical 주식회사 디파인
Priority to KR1020210002154A priority Critical patent/KR102522151B1/ko
Priority to JP2021070807A priority patent/JP7144570B2/ja
Publication of KR20220100147A publication Critical patent/KR20220100147A/ko
Application granted granted Critical
Publication of KR102522151B1 publication Critical patent/KR102522151B1/ko

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60RVEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0136Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to actual contact with an obstacle, e.g. to vehicle deformation, bumper displacement or bumper velocity relative to the vehicle
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60RVEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • B60R21/01332Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value by frequency or waveform analysis
    • B60R21/01336Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value by frequency or waveform analysis using filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60RVEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R2021/01013Means for detecting collision, impending collision or roll-over
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60YINDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00Special features of vehicle units
    • B60Y2400/30Sensors
    • B60Y2400/304Acceleration sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Air Bags (AREA)

Abstract

차량의 접촉 사고 부위 추정 방법에서, 차량의 가속도를 측정하여 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정할 수 있다. 상기 차량에 충격이 발생한 것으로 판정된 경우, 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 수 있다. 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 판정된 경우, 상기 가속도 데이터로부터 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량의 접촉 사고 부위를 추정할 수 있다.

Description

차량의 접촉 사고 부위 추정 방법 및 시스템{METHOD AND SYSTEM FOR ASSUMING COLLISION PART OF A CAR}
본 발명은 차량의 접촉 사고 부위 추정 방법 및 시스템에 관한 것이다.
주차 시 차량에 충격이 발생한 경우, 이를 감지하고 차주에게 알려주는 방법들이 개발되고 있다. 하지만, 차량에 발생하는 충격의 원인에는 타 차량과의 충돌에 의한 접촉 사고도 있지만, 문 여닫힘이나 타 차량의 지나감에 따른 바람 등과 같이 비 접촉 사건도 있으며, 이에 따라, 이들을 구별하여 감지할 수 있는 방법이 필요하다.
또한, 차량에 접촉 사고에 의한 충격이 발생한 경우에도, 상기 충격이 차량의 어떤 부위에서 발생한 것인지를 감지할 수 있는 방법도 필요하다.
KR 10-2020-0102768 (2020년 9월 1일 공개)
본 발명의 일 목적은 차량의 접촉 사고 부위 추정 방법을 제공하는 것이다.
본 발명의 다른 목적은 차량의 접촉 사고 부위 추정 시스템을 제공하는 것이다.
다만, 본 발명의 목적은 상술한 목적들로 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
본 발명의 일 목적을 달성하기 위하여, 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 방법에서, 차량의 가속도를 측정하여 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정할 수 있다. 상기 차량에 충격이 발생한 것으로 판정된 경우, 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 수 있다. 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 판정된 경우, 상기 가속도 데이터로부터 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량의 접촉 사고 부위를 추정할 수 있다.
예시적인 실시예들에 있어서, 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 때의 상기 기계학습 모델의 출력은 접촉 사고 및 비 접촉 사건을 포함하며, 이에 따라 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 때 상기 차량이 상기 비 접촉 사건에 의한 충격을 받은 경우를 필터링하는 것을 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 비 접촉 사건에 의한 충격은 상기 차량의 문 여닫힘, 트렁크의 닫힘 및 보닛 닫힘에 의한 충격, 타 차량이 지나가면서 발생하는 바람에 의한 충격, 및 바닥의 흔들림에 의해 발생하는 충격을 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 차량은 8개 혹은 12개의 부위들로 구분되며, 상기 차량의 접촉 사고 부위를 추정할 때의 상기 기계학습 모델의 출력은 상기 차량의 구분된 부위들 중 어느 하나를 포함하며, 이에 따라 상기 차량의 접촉 사고 부위를 추정할 때 상기 차량의 구분된 부위들 중 어느 하나에 접촉 사고에 의한 충격이 발생한 것으로 추정할 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 가속도는 상기 차량 내에 탑재된 3축 가속도계에 의해 측정될 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 가속도는 상기 차량이 주차 중일 때 측정될 수 있다.
예시적인 실시예들에 있어서, 상기 접촉 사고 판정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 접촉 사고 부위 추정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 때 또는 상기 차량의 접촉 사고 부위를 추정할 때 사용되는 상기 기계학습 모델의 학습 방법은 의사 결정 트리, 서포트 벡터 머신(SVM), 신경 회로망, 및 딥 러닝(deep learning) 중 적어도 하나를 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 때와 상기 차량의 접촉 사고 부위를 추정할 때 각각 사용되는 상기 기계학습 모델의 학습 방법이 서로 다를 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 접촉 사고 부위를 추정하는 단계에서 사용되는 상기 기계학습 모델의 학습 과정에서, i) 상기 차량의 각 부위별로 충돌 실험을 수행하여 상기 각 충돌들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충돌들의 발생 부위를 기록할 수 있다. ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 충돌 부위들 중에서 상기 각 가속도 데이터들에 대응하는 충돌 부위를 상기 기계학습 모델의 출력으로 할 수 있다. 이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 대해 적절한 파라미터를 학습할 수 있다.
예시적인 실시예들에 있어서, ii) 단계는 반복적으로 수행될 수 있으며, 이에 따라 상기 파라미터의 정확성이 향상될 수 있다.
예시적인 실시예들에 있어서, 상기 수집된 가속도 데이터들 중에서 일부만이 상기 특징 요소를 구하는 데 사용될 수 있으며, 상기 차량의 접촉 사고 부위를 추정하는 단계에서 사용되는 상기 기계학습 모델의 학습 과정에서, 상기 수집된 가속도 데이터들 중에서 상기 특징 요소를 구하는 데 사용되지 않은 가속도 데이터들을 사용하여 상기 기계학습 모델의 정확도를 평가하는 검증할 수 있다.
예시적인 실시예들에 있어서, 제1 항에 있어서, 상기 차량의 접촉 사고 판정 단계에서 사용되는 상기 기계학습 모델의 학습 과정에서, i) 상기 차량에 대한 접촉 사고 및 비 접촉 사건을 포함하는 충격 실험을 수행하여 상기 각 충격들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충격들의 원인인 접촉 사고 혹은 비 접촉 사건을 기록할 수 있다. ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 접촉 사고 및 비 접촉 사건 중에서 상기 각 가속도 데이터들에 대응하는 하나를 상기 기계학습 모델의 출력으로 할 수 있다. 이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 적절한 파라미터를 학습할 수 있다.
예시적인 실시예들에 있어서, ii) 단계는 반복적으로 수행될 수 있으며, 이에 따라 상기 파라미터의 정확성이 향상될 수 있다.
본 발명의 일 목적을 달성하기 위하여, 본 발명의 다른 실시예들에 따른 차량의 접촉 사고 부위 추정 방법에서, 차량의 가속도를 측정하여 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정할 수 있다. 상기 차량에 충격이 발생한 것으로 판정된 경우, 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정 및 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하며, 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 판정된 경우에는 상기 차량의 접촉 사고 부위를 추정할 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 가속도는 상기 차량 내에 탑재된 3축 가속도계에 의해 상기 차량이 주차 중일 때 측정될 수 있다.
예시적인 실시예들에 있어서, 상기 접촉 사고 판정 및 상기 접촉 사고 부위 추정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 기계학습 모델의 학습 과정에서,상기 차량에 대한 접촉 사고 및 비 접촉 사건을 포함하되, 상기 접촉 사고의 경우에는 상기 차량의 각 부위별 충돌을 포함하는 충격 실험을 수행하여 상기 각 충격들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고, 상기 각 충격들의 원인인 접촉 사고 혹은 비접촉 사건과 상기 각 충돌들의 발생 부위를 기록할 수 있다. ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 접촉 사고 및 상기 비 접촉 사건 중에서 상기 각 가속도 데이터들에 대응하는 하나를 상기 기계학습 모델의 출력으로 하되, 상기 접촉 사고의 경우에는 상기 충돌 부위들 중에서 상기 각 가속도 데이터들에 대응하는 충돌 부위를 상기 기계학습 모델의 출력으로 할 수 있다. 이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 적절한 파라미터를 학습할 수 있다.
예시적인 실시예들에 있어서, ii) 단계는 반복적으로 수행될 수 있으며, 이에 따라 상기 파라미터의 정확성이 향상될 수 있다.
본 발명의 다른 목적을 달성하기 위하여, 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 시스템은, 차량의 가속도를 측정하는 센서부; 상기 센서부에 의해 측정된 가속도 데이터를 저장하는 메모리부; 상기 센서부에 의해 측정된 가속도가 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정하는 제어부; 상기 차량에 충격이 발생한 것으로 상기 제어부에 의해 판정된 경우, 상기 메모리부에 저장된 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 접촉 사고 판정부; 및 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 상기 접촉 사고 판정부에 의해 판정된 경우, 상기 메모리부에 저장된 가속도 데이터로부터 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량의 접촉 사고 부위를 추정하는 접촉 사고 부위 추정부를 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 접촉 사고 판정부에서 사용하는 상기 기계학습 모델의 출력은 접촉 사고 및 비 접촉 사건을 포함할 수 있으며, 이에 따라 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 것은 상기 차량이 상기 비 접촉 사건에 의한 충격을 받은 경우를 필터링하는 것을 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 차량은 8개 혹은 12개의 부위들로 구분될 수 있으며, 상기 접촉 사고 부위 추정부에서의 상기 기계학습 모델의 출력은 상기 차량의 구분된 부위들 중 어느 하나를 포함하며, 이에 따라 상기 차량의 접촉 사고 부위를 추정하는 것은 상기 차량의 구분된 부위들 중 어느 하나에 접촉 사고에 의한 충격이 발생한 것으로 추정하는 것을 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 센서부는 상기 차량 내에 탑재된 3축 가속도계를 포함할 수 있으며, 상기 차량의 가속도는 상기 3축 가속도계에 의해 상기 차량이 주차 중일 때 측정될 수 있다.
예시적인 실시예들에 있어서, 상기 접촉 사고 판정을 위한 특징 요소 혹은 상기 상기 접촉 사고 부위 추정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 접촉 사고 판정부 또는 상기 접촉 사고 부위 추정부에서 사용되는 상기 기계학습 모델의 학습 방법은 의사 결정 트리, 서포트 벡터 머신(SVM), 신경 회로망, 및 딥 러닝(deep learning) 중 적어도 하나를 포함할 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 접촉 사고 부위를 추정부에서 사용되는 상기 기계학습 모델의 학습 과정에서, i) 상기 차량의 각 부위별로 충돌 실험을 수행하여 상기 각 충돌들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충돌들의 발생 부위를 기록할 수 있다. ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 충돌 부위들 중에서 상기 각 가속도 데이터들에 대응하는 충돌 부위를 상기 기계학습 모델의 출력으로 할 수 있다. 이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 대해 적절한 파라미터를 학습할 수 있다.
예시적인 실시예들에 있어서, ii) 단계는 반복적으로 수행될 수 있으며, 이에 따라 상기 파라미터의 정확성이 향상될 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 접촉 사고 판정부에서 사용되는 상기 기계학습 모델의 학습 과정에서, i) 상기 차량에 대한 접촉 사고 및 비 접촉 사건을 포함하는 충격 실험을 수행하여 상기 각 충격들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충격들의 원인인 접촉 사고 혹은 비 접촉 사건을 기록할 수 있다. ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 접촉 사고 및 상기 비 접촉 사건 중에서 상기 각 가속도 데이터들에 대응하는 하나를 상기 기계학습 모델의 출력으로 할 수 있다. 이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 적절한 파라미터를 학습할 수 있다.
예시적인 실시예들에 있어서, ii) 단계는 반복적으로 수행될 수 있으며, 이에 따라 상기 파라미터의 정확성이 향상될 수 있다.
본 발명의 다른 목적을 달성하기 위하여, 본 발명의 다른 실시예들에 따른 차량의 접촉 사고 부위 추정 시스템은, 차량의 가속도를 측정하는 센서부; 상기 센서부에 의해 측정된 가속도 데이터를 저장하는 메모리부; 및 사고 추정부를 구비할 수 있다. 상기 사고 추정부는 상기 센서부에 의해 측정된 가속도가 임계치 이상의 크기를 갖는 경우 상기 차량에 충격이 발생한 것으로 판정하여, 상기 메모리부에 저장된 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 접촉 사고 판정부; 및 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 상기 접촉 사고 판정부에 의해 판정된 경우, 상기 메모리부에 저장된 가속도 데이터로부터 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량의 접촉 사고 부위를 추정하는 접촉 사고 부위 추정부를 포함할 수 있다.
본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 방법 및 시스템에 의하면, 기계학습 모델을 사용하여 주차 중 차량에 충격이 발생한 경우, 비 접촉 사건은 필터링할 수 있으며, 접촉 사고의 경우 그 접촉 사고 부위까지 용이하게 추정할 수 있다.
다만, 본 발명의 효과는 상술한 효과에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
도 1은 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 시스템을 나타내는 블록도이다.
도 2는 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 방법을 나타내는 순서도이다.
도 3은 차량에 발생한 충격의 종류에 따른 각 축별 가속도의 변화를 나타낸 그래프들이다.
도 4는 X축 및 Y축으로 구성된 평면 상에서 상기 차량을 8개 혹은 12개의 부위들로 구분한 것을 나타낸 도면이다.
도 5는 본 발명의 다른 실시예들에 따른 차량의 접촉 사고 부위 추정 방법을 나타내는 순서도이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제1 구성 요소로 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본문에 기재된 "~부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미이다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미인 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 실시예들을 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성 요소에 대해서는 동일하거나 유사한 참조 부호를 사용한다.
도 1은 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 시스템을 나타내는 블록도이다.
도 1을 참조하면, 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 시스템(100)은 센서부(200), 메모리부(300), 제어부(400), 및 사고 추정부(500)를 포함할 수 있다. 또한, 차량의 접촉 사고 부위 추정 시스템(100)은 예를 들어, 카메라와 같은 촬영 장치, 및 데이터 전송 모뎀과 같은 통신 장치를 더 포함할 수도 있다.
위와 같은 차량의 접촉 사고 부위 추정 시스템(100)은 예를 들어, 차량용 블랙박스, 빌트인 캠(built-in cam) 등일 수 있다.
센서부(200)는 차량 내에 탑재될 수 있으며, 예를 들어 3축 가속도계와 같은 가속도계를 포함할 수 있다. 상기 3축 가속도계는 상기 차량 내에 장착되는 위치를 기준점(영점)으로 하고, 상기 차량의 전후방을 가로지르는 X축, 상기 차량의 좌우를 가로지르는 Y축, 및 X축 및 Y축에 의해 형성되는 평면에 수직한 Z축으로 구성되는 3차원 로컬 좌표계를 사용하여 상기 차량의 가속도를 측정할 수 있다. 상기 3축 가속도계에서 상기 X축, 상기 Y축 및 상기 Z축은 서로 수직이 된다면 자유롭게 배치될 수 있다.
다만, 경우에 따라서 센서부(200)는 X축 및 Y축만을 포함하는 2축 가속도계를 포함할 수도 있다.
메모리부(300)는 센서부(200)에 의해 측정된 가속도에 관련된 각종 데이터들을 저장할 수 있다. 메모리부(300)는 예를 들어, 램(RAM), 롬(ROM), 하드 디스크 드라이브(HDD), 솔리드 스테이드 드라이브(SSD) 등을 포함할 수 있다.
제어부(400)는 센서부(200), 메모리부(300) 및 사고 추정부(500)가 수행하는 각 동작들을 제어할 수 있으며, 이에 필요한 각종 연산을 수행할 수 있다. 제어부(400)는 예를 들어, 마이크로 컨트롤러 유닛(MCU), 마이크로 프로세서 유닛(MPU), 애플리케이션 프로세서(AP) 등을 포함할 수 있다.
예시적인 실시예들에 있어서, 제어부(400)는 센서부(200)에 의해 측정된 상기 가속도가 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정할 수 있다.
사고 추정부(500)는 접촉 사고 판정부(510) 및 접촉 사고 부위 추정부(520)를 포함할 수 있다. 사고 추정부(500)는 예를 들어, 마이크로 컨트롤러 유닛(MCU), 마이크로 프로세서 유닛(MPU), 애플리케이션 프로세서(AP) 등을 포함할 수 있다.
예시적인 실시예들에 있어서, 접촉 사고 판정부(510)는 상기 차량에 충격이 발생한 것으로 제어부(400)에 의해 판정된 경우, 메모리부(300)에 저장된 상기 충격의 발생 시점 전후의 가속도 데이터로부터 기계학습 모델을 사용하여 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 수 있다. 이에 따라, 접촉 사고 판정부(510)는 차량의 접촉 사고 판정을 위한 알고리즘을 포함하는 소프트웨어를 구동시킬 수 있다.
예시적인 실시예들에 있어서, 접촉 사고 부위 추정부(520)는 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 접촉 사고 판정부(510)에 의해 판정된 경우, 메모리부(300)에 저장된 가속도 데이터로부터 기계학습 모델을 사용하여 상기 차량의 접촉 사고 부위를 추정할 수 있다. 이에 따라, 접촉 사고 판정부(510)는 차량의 접촉 사고 부위 추정을 위한 알고리즘을 포함하는 소프트웨어를 구동시킬 수 있다.
지금까지는 사고 추정부(500)가 제어부(400)와 별도로 존재하여, 제어부(400)는 차량의 충격 판정 동작을 수행하고, 사고 추정부(500)는 차량의 접촉 사고 판정 동작 및 접촉 사고 부위 추정 동작을 수행하는 것으로 설명하였지만, 본 발명의 개념은 이에 한정되지는 않는다.
즉, 사고 추정부(500)는 제어부(400) 내에 배치될 수도 있으며, 이에 따라 통합된 하나의 유닛, 즉 제어부(400) 혹은 사고 추정부(500)는 각종 제어 및 연산 동작뿐만 아니라, 충격 판정, 접촉 사고 판정, 및 접촉 사고 부위 추정 동작을 함께 수행할 수도 있다.
이하에서는 편의 상, 사고 추정부(500)가 제어부(400)와 별도로 존재하여 이들이 각각 동작하는 것에 대해서만 설명하지만, 이들이 하나의 유닛을 이루어 위 동작들을 모두 수행하는 것도 가능하다.
도 2는 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 방법을 나타내는 순서도이다.
도 1 및 2를 함께 참조하면, 제1 단계(S110)에서, 차량 내에 탑재된 차량의 접촉 사고 부위 추정 시스템(100)(이하에서는 시스템(100)으로 지칭함)에 포함된 센서부(200)는 상기 차량의 가속도를 측정할 수 있으며, 제2 단계(S120)에서, 상기 가속도가 임계치 이상의 크기를 갖는 경우, 시스템(100)에 포함된 제어부(400)는 상기 차량에 충격이 발생한 것으로 판정할 수 있다.
예시적인 실시예들에 있어서, 상기 차량은 주차 중인 차량일 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 가속도는 3축 가속도계에 의해 측정될 수 있으며, 각 축별로 측정된 가속도들에 의해 형성되는 가속도 벡터의 크기를 산출하여, 상기 크기가 일정한 값 이상인 경우에 한해, 상기 차량에 충격이 발생한 것으로 판정할 수 있다.
이때, 상기 가속도 벡터의 크기는 충격 발생 전후의 일정한 시간 동안의 상기 가속도 벡터 크기의 최대치인 최대 가속도, 혹은 충격 발생 전후의 일정한 시간 동안의 상기 가속도 벡터의 제곱평균제곱근인 실효값(Root Mean Square: RMS)일 수 있다.
지금까지는 상기 차량의 가속도에 기초하여 설명하였지만, 이에 상기 차량의 질량을 곱하여 획득되는 힘인 충격력이 임계치 이상인 경우에도, 상기 차량에 충격이 발생한 것으로 판정할 수 있음은 당연하다.
한편, 센서부(200)에 의해 측정된 상기 가속도 데이터는 시스템(100)에 포함된 메모리부(300)에 저장될 수 있다.
제3 단계(S130)에서, 제어부(400)에 의해 상기 차량에 충격이 발생한 것으로 판정된 경우, 시스템(100)에 포함된 접촉 사고 판정부(510)는 기계학습 모델을 통해 상기 충격이 접촉 사고에 의한 것인지 혹은 비 접촉 사건에 의한 것인지를 판정할 수 있다.
즉, 차량에 충격이 발생한 경우, 이는 예를 들어, 상기 차량의 문 여닫힘, 트렁크(trunk)의 닫힘 및 보닛(bonnet) 닫힘에 의한 충격, 타 차량이 지나가면서 발생하는 바람에 의한 충격, 및 바닥의 흔들림에 의해 발생하는 충격일 수도 있다. 하지만 이러한 비 접촉 사건에 의한 충격은 상기 차량에 실질적으로 손상을 주지 않으므로, 굳이 이를 검출할 필요가 없다.
이에 따라, 상기 차량에 충격이 발생했다고 하더라도, 상기 차량이 비 접촉 사건에 의한 충격을 받은 경우를 필터링함으로써, 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정할 수 있다.
예시적인 실시예들에 있어서, 상기 차량이 접촉 사고에 의해 충격을 받았는지 여부는, 메모리부(300)에 저장된 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정부(510)가 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용함으로써, 상기 기계학습 모델의 출력을 통해 판정할 수 있다.
예시적인 실시예들에 있어서, 상기 차량의 접촉 사고 판정을 위한 상기 특징 요소는 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 상기 충격의 지속 시간 등을 포함할 수 있다.
도 3은 차량에 발생한 충격의 종류에 따른 각 축별 가속도의 변화를 나타낸 그래프들이다.
도 3을 함께 참조하면, 충돌 사고와 같은 접촉 사고에서의 각 축별 가속도의 변화는 도어 닫힘과 같은 비 접촉 사건에서의 각 축별 가속도의 변화와는 다른 패턴을 가짐을 알 수 있다.
예를 들어, 각 충격 종류에 따른 각 축별 가속도에서의 실효값, 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화나, 상기 충격의 지속 시간 등은 접촉 사고와 비 접촉 사건에서 서로 다른 양상을 보이므로, 이들을 구별하기 위한 특징 요소에 해당할 수 있다. 다만, 본 발명의 개념은 이에 한정되지는 않으며, 위에서 예시적으로 열거한 사항 이외의 다른 사항들도 상기 특징 요소에 해당될 수 있다.
예시적인 실시예들에 있어서, 상기 기계학습 모델의 학습 과정에서, 상기 차량에 대한 접촉 사고 및 비 접촉 사건을 포함하는 충격 실험을 복수 회 수행하여 상기 각 충격들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집할 수 있으며, 이때 상기 각 충격들에 대해서는 상기 접촉 사고와 상기 비 접촉 사건 중에서 그 충격의 원인이 되는 하나를 기록할 수 있다. 이후, 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 각 가속도 데이터들에 대응하여 기록된 충격의 원인 즉, 접촉 사고 및 비 접촉 사건 중 하나를 상기 기계학습 모델의 출력이 되도록 함으로써, 상기 기계학습 모델의 파라미터(parameter)를 학습시킬 수 있다.
예시적인 실시예들에 있어서, 위와 같은 기계학습 모델의 학습, 즉 충격 실험에 의해 수집된 가속도 데이터로부터 구해진 특징 요소를 입력으로 하고, 상기 가속도 데이터에 대응하는 충격의 원인 즉, 접촉 사고인지 비접촉 사건인지를 출력으로 하는 학습은 반복적으로 수행되어 상기 파라미터의 정확성을 향상시킬 수 있으며, 이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 대해 최적의 파라미터를 획득할 수 있다. 이와 같이 학습된 기계학습 모델을 사용함으로써, 차량의 충격의 원인 즉, 접촉 사고인지 혹은 비 접촉 사건인지에 대한 보다 정확한 판정이 가능해질 수 있다.
예시적인 실시예들에 있어서, 상기 수집된 가속도 데이터들 중에서 일부만이 상기 특징 요소를 구하는 데 사용될 수 있으며, 상기 수집된 가속도 데이터들 중에서 상기 특징 요소를 구하는 데 사용되지 않은 가속도 데이터들을 사용하여 상기 기계학습 모델의 정확도를 평가하는 검증을 수행할 수 있다.
예시적인 실시예들에 있어서, 상기 기계학습 모델의 학습 방법은 의사 결정 트리(decision tree), 서포트 벡터 머신(Support Vector Machine: SVM), 신경 회로망, 딥 러닝(deep learning) 등을 포함할 수 있다.
제4 단계(S140)에서, 접촉 사고 판정부(510)에 의해 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 판정된 경우, 시스템(100)에 포함된 접촉 사고 부위 추정부(520)는 기계학습 모델을 통해 상기 차량의 접촉 사고 부위를 추정할 수 있다.
도 4는 X축 및 Y축으로 구성된 평면 상에서 상기 차량을 8개 혹은 12개의 부위들로 구분한 것을 나타낸 도면이다.
도 4를 함께 참조하면, 접촉 사고 판정부(510)에 의해 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 판정된 경우, 접촉 사고 부위 추정부(520)는 기계학습 모델을 통해 상기 차량의 구분된 8개 혹은 12개의 부위들 중에서 어느 하나를 접촉 사고 부위로 추정할 수 있다.
예시적인 실시예들에 따른 상기 기계학습 모델의 학습 과정에서, 상기 차량의 각 부위별로 충돌 실험을 복수 회 수행하여 상기 각 충돌들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집할 수 있으며, 이때 상기 각 충돌들에 대해서는 그 충돌의 발생 부위를 기록할 수 있다. 이후, 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 각 가속도 데이터들에 대응하여 기록된 상기 충돌 부위를 상기 기계학습 모델의 출력이 되도록 함으로써, 상기 기계학습 모델의 파라미터를 학습시킬 수 있다.
예시적인 실시예들에 있어서, 위와 같은 기계학습 모델의 학습, 즉 충돌 실험에 의해 수집된 가속도 데이터로부터 구해진 특징 요소를 입력으로 하고, 상기 가속도 데이터에 대응하는 충돌 발생 부위를 출력으로 하는 학습은 반복적으로 수행되어 상기 파라미터의 정확성을 향상시킬 수 있으며, 이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 대해 가장 적절한 파라미터를 획득할 수 있다. 이와 같이 학습된 기계학습 모델을 사용함으로써, 차량의 충돌 부위에 대한 보다 정확한 판정이 가능해질 수 있다.
예시적인 실시예들에 있어서, 상기 수집된 가속도 데이터들 중에서 일부만이 상기 특징 요소를 구하는 데 사용될 수 있으며, 상기 수집된 가속도 데이터들 중에서 상기 특징 요소를 구하는 데 사용되지 않은 가속도 데이터들을 사용하여 상기 기계학습 모델의 정확도를 평가하는 검증을 수행할 수 있다.
상기 수집된 가속도 데이터의 특징 요소는 예를 들어, 각 접촉 사고 부위에 따른 각 축별 가속도에서의 실효값, 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화나, 상기 충격의 지속 시간 등을 포함할 수 있다. 다만, 본 발명의 개념은 이에 한정되지는 않으며, 위에서 예시적으로 열거한 사항 이외의 다른 사항들도 상기 특징 요소에 해당될 수 있다.
예시적인 실시예들에 있어서, 상기 기계학습 모델의 학습 방법은 의사 결정 트리(decision tree), 서포트 벡터 머신(Support Vector Machine: SVM), 신경 회로망, 딥 러닝(deep learning) 등을 포함할 수 있다.
예시적인 실시예들에 있어서, 제3 단계(S130)에서 접촉 사고 판정을 위해 사용되는 기계학습 모델과 제4 단계(S140)에서 접촉 사고 부위 추정을 위해 사용되는 기계학습 모델의 학습 방법은 서로 동일할 수도 있고, 혹은 서로 다를 수도 있다.
또한, 지금까지는 제3 단계(S130)에서의 접촉 사고 판정 및 제4 단계(S140)에서 접촉 사고 부위 추정이 각각 별개의 기계학습 모델들을 사용하여 각각 수행되는 것을 설명하였지만, 본 발명의 개념은 반드시 이에 한정되지는 않는다.
즉, 지금까지는 제3 단계(S130)에서의 제1 기계학습 모델이 차량의 접촉 사고 판정을 위한 특징 요소를 입력으로 하고, 접촉 사고와 비 접촉 사건을 출력으로 하며, 제4 단계(S140)에서의 제2 기계학습 모델이 차량의 접촉 사고 부위 추정을 위한 특징 요소를 입력으로 하고, 상기 차량의 특정 부위를 출력으로 하며, 상기 제1 및 제2 기계학습 모델들은 각각의 학습 방법을 통해 학습하여, 제3 단계(S130) 및 제4 단계(S140)에서 각각 이들을 활용하는 것에 대해서 설명하였다.
도 5는 본 발명의 다른 실시예들에 따른 차량의 접촉 사고 부위 추정 방법을 나타내는 순서도이다.
하지만 도 5를 참조하면, 상기 제1 및 제2 기계학습 모델들을 통합하여 하나의 기계학습 모델을 사용함으로써, 제3 및 제4 단계들(S130, S140)이 제3 단계(S130)로 통합되어 수행될 수도 있다.
즉, 상기 접촉 사고 판정 및 상기 접촉 사고 부위 추정을 위한 특징 요소를 모두 하나의 기계학습 모델의 입력으로 하고, 비 접촉 사건, 및 접촉 사고(및 특정 부위)를 출력으로 할 수도 있다.
전술한 바와 같이, 본 발명의 실시예에 따른 차량의 접촉 사고 부위 추정 방법 및 시스템(100)에 의하면, 기계학습 모델을 사용하여 주차 중 차량에 충격이 발생한 경우, 비 접촉 사건은 필터링할 수 있으며, 접촉 사고의 경우 그 접촉 사고 부위까지 용이하게 추정할 수 있다.
이상, 본 발명의 실시예들에 따른 차량의 접촉 사고 부위 추정 방법 및 시스템에 대하여 도면을 참조하여 설명하였지만, 상기 설명은 예시적인 것으로서 본 발명의 기술적 사상을 벗어나지 않는 범위에서 해당 기술 분야에서 통상의 지식을 가진 자에 의하여 수정 및 변경될 수 있을 것이다.
100: 차량의 접촉 사고 부위 추정 시스템
200: 센서부 300: 메모리부
400: 제어부 500: 사고 추정부
510: 접촉 사고 판정부 520: 접촉 사고 부위 추정부

Claims (31)

  1. 차량의 가속도를 측정하여 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정하는 단계;
    상기 차량에 충격이 발생한 것으로 판정된 경우, 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 단계; 및
    상기 차량이 접촉 사고에 의해 충격을 받은 것으로 판정된 경우, 상기 가속도 데이터로부터 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량의 접촉 사고 부위를 추정하는 단계를 포함하는 차량의 접촉 사고 부위 추정 방법.
  2. 제1 항에 있어서, 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 단계에서의 상기 기계학습 모델의 출력은 접촉 사고 및 비 접촉 사건을 포함하며, 이에 따라 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 단계는 상기 차량이 상기 비 접촉 사건에 의한 충격을 받은 경우를 필터링하는 것을 포함하는 차량의 접촉 사고 부위 추정 방법.
  3. 제2 항에 있어서, 상기 비 접촉 사건에 의한 충격은 상기 차량의 문 여닫힘, 트렁크의 닫힘 및 보닛 닫힘에 의한 충격, 타 차량이 지나가면서 발생하는 바람에 의한 충격, 및 바닥의 흔들림에 의해 발생하는 충격을 포함하는 차량의 접촉 사고 부위 추정 방법.
  4. 제1 항에 있어서, 상기 차량은 8개 혹은 12개의 부위들로 구분되며,
    상기 차량의 접촉 사고 부위를 추정하는 단계에서의 상기 기계학습 모델의 출력은 상기 차량의 구분된 부위들 중 어느 하나를 포함하며, 이에 따라 상기 차량의 접촉 사고 부위를 추정하는 단계는 상기 차량의 구분된 부위들 중 어느 하나에 접촉 사고에 의한 충격이 발생한 것으로 추정하는 것을 포함하는 차량의 접촉 사고 부위 추정 방법.
  5. 제1 항에 있어서, 상기 차량의 가속도는 상기 차량 내에 탑재된 3축 가속도계에 의해 측정되는 차량의 접촉 사고 부위 추정 방법.
  6. 제5 항에 있어서, 상기 차량의 가속도는 상기 차량이 주차 중일 때 측정되는 차량의 접촉 사고 부위 추정 방법.
  7. 제5 항에 있어서, 상기 접촉 사고 판정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함하는 차량의 접촉 사고 부위 추정 방법.
  8. 제5 항에 있어서, 상기 접촉 사고 부위 추정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함하는 차량의 접촉 사고 부위 추정 방법.
  9. 제1 항에 있어서, 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 단계 또는 상기 차량의 접촉 사고 부위를 추정하는 단계에서 사용되는 상기 기계학습 모델의 학습 방법은 의사 결정 트리, 서포트 벡터 머신(SVM), 신경 회로망, 및 딥 러닝(deep learning) 중 적어도 하나를 포함하는 차량의 접촉 사고 부위 추정 방법.
  10. 제9 항에 있어서, 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 단계와 상기 차량의 접촉 사고 부위를 추정하는 단계에서 각각 사용되는 상기 기계학습 모델의 학습 방법이 서로 다른 차량의 접촉 사고 부위 추정 방법.
  11. 제1 항에 있어서, 상기 차량의 접촉 사고 부위를 추정하는 단계에서 사용되는 상기 기계학습 모델의 학습 과정은,
    i) 상기 차량의 각 부위별로 충돌 실험을 수행하여 상기 각 충돌들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충돌들의 발생 부위를 기록하는 단계; 및
    ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 충돌 부위들 중에서 상기 각 가속도 데이터들에 대응하는 충돌 부위를 상기 기계학습 모델의 출력으로 하는 단계를 포함하며,
    이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 대해 적절한 파라미터를 학습하는 차량의 접촉 사고 부위 추정 방법.
  12. 제11 항에 있어서, ii) 단계는 반복적으로 수행되며, 이에 따라 상기 파라미터의 정확성이 향상되는 차량의 접촉 사고 부위 추정 방법.
  13. 제11 항에 있어서, 상기 수집된 가속도 데이터들 중에서 일부만이 상기 특징 요소를 구하는 데 사용되며,
    상기 차량의 접촉 사고 부위를 추정하는 단계에서 사용되는 상기 기계학습 모델의 학습 과정은,
    상기 수집된 가속도 데이터들 중에서 상기 특징 요소를 구하는 데 사용되지 않은 가속도 데이터들을 사용하여 상기 기계학습 모델의 정확도를 평가하는 검증 단계를 더 포함하는 차량의 접촉 사고 부위 추정 방법.
  14. 제1 항에 있어서, 상기 차량의 접촉 사고 판정 단계에서 사용되는 상기 기계학습 모델의 학습 과정은,
    i) 상기 차량에 대한 접촉 사고 및 비 접촉 사건을 포함하는 충격 실험을 수행하여 상기 각 충격들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충격들의 원인인 접촉 사고 혹은 비 접촉 사건을 기록하는 단계; 및
    ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 접촉 사고 및 비 접촉 사건 중에서 상기 각 가속도 데이터들에 대응하는 하나를 상기 기계학습 모델의 출력으로 하는 단계를 포함하며,
    이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 적절한 파라미터를 학습하는 차량의 접촉 사고 부위 추정 방법.
  15. 제14 항에 있어서, ii) 단계는 반복적으로 수행되며, 이에 따라 상기 파라미터의 정확성이 향상되는 차량의 접촉 사고 부위 추정 방법.
  16. 차량의 가속도를 측정하여 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정하는 단계; 및
    상기 차량에 충격이 발생한 것으로 판정된 경우, 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정 및 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하며, 상기 차량이 접촉 사고에 의해 충격을 받은 것으로 판정된 경우에는 상기 차량의 접촉 사고 부위를 추정하는 단계를 포함하는 차량의 접촉 사고 부위 추정 방법.
  17. 제16 항에 있어서, 상기 차량의 가속도는 상기 차량 내에 탑재된 3축 가속도계에 의해 상기 차량이 주차 중일 때 측정되는 차량의 접촉 사고 부위 추정 방법.
  18. 제17 항에 있어서, 상기 접촉 사고 판정 및 상기 접촉 사고 부위 추정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함하는 차량의 접촉 사고 부위 추정 방법.
  19. 제14 항에 있어서, 상기 기계학습 모델의 학습 과정은,
    i) 상기 차량에 대한 접촉 사고 및 비 접촉 사건을 포함하되, 상기 접촉 사고의 경우에는 상기 차량의 각 부위별 충돌을 포함하는 충격 실험을 수행하여 상기 각 충격들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고, 상기 각 충격들의 원인인 접촉 사고 혹은 비접촉 사건과 상기 각 충돌들의 발생 부위를 기록하는 단계; 및
    ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 접촉 사고 및 상기 비 접촉 사건 중에서 상기 각 가속도 데이터들에 대응하는 하나를 상기 기계학습 모델의 출력으로 하되, 상기 접촉 사고의 경우에는 상기 충돌 부위들 중에서 상기 각 가속도 데이터들에 대응하는 충돌 부위를 상기 기계학습 모델의 출력으로 하는 단계를 포함하며,
    이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 적절한 파라미터를 학습하는 차량의 접촉 사고 부위 추정 방법.
  20. 제19 항에 있어서, ii) 단계는 반복적으로 수행되며, 이에 따라 상기 파라미터의 정확성이 향상되는 차량의 접촉 사고 부위 추정 방법.
  21. 차량의 가속도를 측정하는 센서부;
    상기 센서부에 의해 측정된 가속도 데이터를 저장하는 메모리부;
    상기 센서부에 의해 측정된 가속도가 임계치 이상의 크기를 갖는 경우, 상기 차량에 충격이 발생한 것으로 판정하는 제어부;
    상기 차량에 충격이 발생한 것으로 상기 제어부에 의해 판정된 경우, 상기 메모리부에 저장된 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 접촉 사고 판정부; 및
    상기 차량이 접촉 사고에 의해 충격을 받은 것으로 상기 접촉 사고 판정부에 의해 판정된 경우, 상기 메모리부에 저장된 가속도 데이터로부터 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량의 접촉 사고 부위를 추정하는 접촉 사고 부위 추정부를 포함하는 차량의 접촉 사고 부위 추정 시스템.
  22. 제21 항에 있어서, 상기 접촉 사고 판정부에서 사용하는 상기 기계학습 모델의 출력은 접촉 사고 및 비 접촉 사건을 포함하며, 이에 따라 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 것은 상기 차량이 상기 비 접촉 사건에 의한 충격을 받은 경우를 필터링하는 것을 포함하는 차량의 접촉 사고 부위 추정 시스템.
  23. 제21 항에 있어서, 상기 차량은 8개 혹은 12개의 부위들로 구분되며,
    상기 접촉 사고 부위 추정부에서의 상기 기계학습 모델의 출력은 상기 차량의 구분된 부위들 중 어느 하나를 포함하며, 이에 따라 상기 차량의 접촉 사고 부위를 추정하는 것은 상기 차량의 구분된 부위들 중 어느 하나에 접촉 사고에 의한 충격이 발생한 것으로 추정하는 것을 포함하는 차량의 접촉 사고 부위 추정 시스템.
  24. 제21 항에 있어서, 상기 센서부는 상기 차량 내에 탑재된 3축 가속도계를 포함하며,
    상기 차량의 가속도는 상기 3축 가속도계에 의해 상기 차량이 주차 중일 때 측정되는 차량의 접촉 사고 부위 추정 시스템.
  25. 제24 항에 있어서, 상기 접촉 사고 판정을 위한 특징 요소 혹은 상기 상기 접촉 사고 부위 추정을 위한 특징 요소는 상기 3축 가속도계에 의해 측정된 상기 충격 발생 시점 전후의 각 축별 가속도의 실효값(RMS), 최대 가속도, 가속도의 감쇠 기울기, 음양 부호 변화, 및 상기 충격의 지속 시간 중에서 적어도 하나를 포함하는 차량의 접촉 사고 부위 추정 시스템.
  26. 제21 항에 있어서, 상기 접촉 사고 판정부 또는 상기 접촉 사고 부위 추정부에서 사용되는 상기 기계학습 모델의 학습 방법은 의사 결정 트리, 서포트 벡터 머신(SVM), 신경 회로망, 및 딥 러닝(deep learning) 중 적어도 하나를 포함하는 차량의 접촉 사고 부위 추정 시스템.
  27. 제21 항에 있어서, 상기 차량의 접촉 사고 부위를 추정부에서 사용되는 상기 기계학습 모델의 학습 과정은,
    i) 상기 차량의 각 부위별로 충돌 실험을 수행하여 상기 각 충돌들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충돌들의 발생 부위를 기록하는 단계; 및
    ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 기록된 충돌 부위들 중에서 상기 각 가속도 데이터들에 대응하는 충돌 부위를 상기 기계학습 모델의 출력으로 하는 단계를 포함하며,
    이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 대해 적절한 파라미터를 학습하는 차량의 접촉 사고 부위 추정 시스템.
  28. 제27 항에 있어서, ii) 단계는 반복적으로 수행되며, 이에 따라 상기 파라미터의 정확성이 향상되는 차량의 접촉 사고 부위 추정 방법.
  29. 제21 항에 있어서, 상기 차량의 접촉 사고 판정부에서 사용되는 상기 기계학습 모델의 학습 과정은,
    i) 상기 차량에 대한 접촉 사고 및 비 접촉 사건을 포함하는 충격 실험을 수행하여 상기 각 충격들의 발생 시점 전후의 상기 차량의 가속도 데이터를 수집하고 상기 각 충격들의 원인인 접촉 사고 혹은 비 접촉 사건을 기록하는 단계; 및
    ii) 상기 수집된 가속도 데이터들로부터 특징 요소를 구하여 이를 상기 기계학습 모델의 입력으로 하고, 상기 접촉 사고 및 상기 비 접촉 사건 중에서 상기 각 가속도 데이터들에 대응하는 하나를 상기 기계학습 모델의 출력으로 하는 단계를 포함하며,
    이에 따라 상기 기계학습 모델은 상기 입력과 이에 대응하는 상기 출력에 적절한 파라미터를 학습하는 차량의 접촉 사고 부위 추정 시스템.
  30. 제29 항에 있어서, ii) 단계는 반복적으로 수행되며, 이에 따라 상기 파라미터의 정확성이 향상되는 차량의 접촉 사고 부위 추정 방법.
  31. 차량의 가속도를 측정하는 센서부;
    상기 센서부에 의해 측정된 가속도 데이터를 저장하는 메모리부; 및
    상기 센서부에 의해 측정된 가속도가 임계치 이상의 크기를 갖는 경우 상기 차량에 충격이 발생한 것으로 판정하여, 상기 메모리부에 저장된 상기 충격의 발생 시점 전후의 가속도 데이터로부터 접촉 사고 판정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량이 접촉 사고에 의해 충격을 받았는지를 판정하는 접촉 사고 판정부; 및
    상기 차량이 접촉 사고에 의해 충격을 받은 것으로 상기 접촉 사고 판정부에 의해 판정된 경우, 상기 메모리부에 저장된 가속도 데이터로부터 접촉 사고 부위 추정을 위한 특징 요소를 추출하여 이를 기계학습 모델의 입력으로 사용하고, 상기 기계학습 모델의 출력으로부터 상기 차량의 접촉 사고 부위를 추정하는 접촉 사고 부위 추정부를 포함하는 사고 추정부를 구비하는 차량의 접촉 사고 부위 추정 시스템.
KR1020210002154A 2021-01-07 2021-01-07 차량의 접촉 사고 부위 추정 방법 및 시스템 KR102522151B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210002154A KR102522151B1 (ko) 2021-01-07 2021-01-07 차량의 접촉 사고 부위 추정 방법 및 시스템
JP2021070807A JP7144570B2 (ja) 2021-01-07 2021-04-20 車両の接触事故部位推定方法およびシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210002154A KR102522151B1 (ko) 2021-01-07 2021-01-07 차량의 접촉 사고 부위 추정 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220100147A true KR20220100147A (ko) 2022-07-15
KR102522151B1 KR102522151B1 (ko) 2023-05-11

Family

ID=82400922

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210002154A KR102522151B1 (ko) 2021-01-07 2021-01-07 차량의 접촉 사고 부위 추정 방법 및 시스템

Country Status (2)

Country Link
JP (1) JP7144570B2 (ko)
KR (1) KR102522151B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180136065A (ko) * 2017-06-14 2018-12-24 주식회사 파인디지털 차량 충격의 알림을 수행하는 주차 충격 감지 장치 및 주차 충격 감지장치를 이용한 차량 충격 알림 방법
JP2019181989A (ja) * 2018-04-02 2019-10-24 株式会社デンソー 衝突検知装置
KR20190140516A (ko) * 2018-05-29 2019-12-20 (주)씨앤아이피 기계학습을 이용하여 소음, 충격 및 영상 분석을 통한 주차 차량 감시 시스템
KR102103334B1 (ko) * 2019-06-14 2020-04-23 주식회사 디파인 차량의 주차 중 충격의 유형을 식별하는 주차 충격 식별 시스템
KR20200102768A (ko) 2019-02-22 2020-09-01 현대자동차주식회사 차량의 충격부위 검출 장치 및 그 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015212923A1 (de) * 2015-07-10 2017-01-12 Bayerische Motoren Werke Aktiengesellschaft Automatische Erkennung und Bewertung von Low-Speed-Crashs
JP6570782B1 (ja) * 2019-04-19 2019-09-04 あいおいニッセイ同和損害保険株式会社 衝突判定方法、衝突判定システム及びコンピュータプログラム
JP6833257B1 (ja) * 2020-03-31 2021-02-24 あいおいニッセイ同和損害保険株式会社 情報処理方法、情報処理装置、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180136065A (ko) * 2017-06-14 2018-12-24 주식회사 파인디지털 차량 충격의 알림을 수행하는 주차 충격 감지 장치 및 주차 충격 감지장치를 이용한 차량 충격 알림 방법
JP2019181989A (ja) * 2018-04-02 2019-10-24 株式会社デンソー 衝突検知装置
KR20190140516A (ko) * 2018-05-29 2019-12-20 (주)씨앤아이피 기계학습을 이용하여 소음, 충격 및 영상 분석을 통한 주차 차량 감시 시스템
KR20200102768A (ko) 2019-02-22 2020-09-01 현대자동차주식회사 차량의 충격부위 검출 장치 및 그 방법
KR102103334B1 (ko) * 2019-06-14 2020-04-23 주식회사 디파인 차량의 주차 중 충격의 유형을 식별하는 주차 충격 식별 시스템

Also Published As

Publication number Publication date
JP2022106636A (ja) 2022-07-20
JP7144570B2 (ja) 2022-09-29
KR102522151B1 (ko) 2023-05-11

Similar Documents

Publication Publication Date Title
CN108582070A (zh) 机器人碰撞检测系统和方法、存储介质、操作系统
CN109581871B (zh) 免疫对抗样本的工业控制系统入侵检测方法
Pawlus et al. Development of lumped-parameter mathematical models for a vehicle localized impact
US8229621B2 (en) Method of storing accident data for a vehicle
CN107848478A (zh) 低速碰撞的自动识别和评估
US11995536B2 (en) Learning device, estimating device, estimating system, learning method, estimating method, and storage medium to estimate a state of vehicle-occupant with respect to vehicle equipment
KR102190054B1 (ko) 다중 정보 엔트로피의 비교를 통한 차량 내 외부 데이터 침입 탐지 장치 및 그 동작 방법
JP2022537858A (ja) ディープラーニングに基づいた自動車部位別の破損程度の自動判定のためのモデル学習方法およびシステム
Zhao et al. Data-based modeling of vehicle crash using adaptive neural-fuzzy inference system
CN106809214A (zh) 一种汽车追尾预警方法、装置及电子设备
Cho et al. CPS approach to checking norm operation of a brake-by-wire system
CN107644475B (zh) 一种车辆碰撞检测的方法和装置以及obd盒子
CN112464990A (zh) 一种基于电流电压传感器感知振动数据的方法和装置
KR102407701B1 (ko) 차량 충격의 알림을 수행하는 주차 충격 감지 장치 및 주차 충격 감지장치를 이용한 차량 충격 알림 방법
CN110823484A (zh) 一种车辆安全监测方法、装置、介质和设备
KR102522151B1 (ko) 차량의 접촉 사고 부위 추정 방법 및 시스템
US20180232903A1 (en) Estimation device, estimation method, and storage medium
KR101611731B1 (ko) 블랙 박스에서 충격 감지 센서에 의해 감지된 잘못된 사고 영상을 구분하는 방법
KR20230061711A (ko) 주차된 차량의 충격 종류 추정 방법, 및 차량의 충격 종류 추정 시스템
CN112308723A (zh) 车辆检测方法及系统
Ming et al. Application of subspace-based method in vehicle handling dynamic model identification and properties estimation
JP6570782B1 (ja) 衝突判定方法、衝突判定システム及びコンピュータプログラム
CN109040610B (zh) 控制红外机芯快门状态的方法、装置、设备、系统及介质
Reineh et al. IMU-based vehicle load estimation under normal driving conditions
CN107038711A (zh) 适应演化式车灯号志侦测追踪与辨识系统及方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right