KR20220124313A

KR20220124313A - 차량 기능의 제어를 위한 전자 장치, 및 이에 의한 방법

Info

Publication number: KR20220124313A
Application number: KR1020210027429A
Authority: KR
Inventors: 이재웅; 김형곤; 이웅; 이유선; 장창원
Original assignee: 삼성전자주식회사
Priority date: 2021-03-02
Filing date: 2021-03-02
Publication date: 2022-09-14
Also published as: WO2022186555A1

Abstract

인스트럭션을 저장하는 메모리; 및 인스트럭션에 따라 동작하는 프로세서를 포함하고, 프로세서는, 서버와의 통신 상태를 확인하고, 통신 상태에 근거하여 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하고, 차량에 장착된 적어도 하나의 센서가 전체 크기가 타겟 크기 이하인 데이터를 수집하도록 적어도 하나의 센서를 제어하고, 수집된 데이터를 서버로 전송하고, 데이터의 전송에 응답하여 서버에서 수신되는 제어 명령에 따라 차량의 기능을 제어하는, 일 실시예에 따른 전자 장치가 개시된다.

Description

차량 기능의 제어를 위한 전자 장치, 및 이에 의한 방법{ELECTRONIC APPARATUS FOR CONTROLLING FUNCTIONS OF VEHICLE, AND METHOD THEREBY}

본 개시는 차량의 전장 분야에 관한 것이다. 보다 구체적으로, 본 개시는 차량에 장착되어 차량의 기능을 제어하는 전자 장치 및 이에 의한 방법에 관한 것이다.

현재 관심이 집중되고 있는 자율 주행의 달성을 위해서는 많은 데이터들을 처리하여야 한다. 자율 주행에 이용되는 많은 데이터들의 처리는 차량 및 차량과 통신하는 서버 중 적어도 하나에서 수행될 수 있다.

차량과 통신하는 서버에서 전술한 데이터들을 처리하는 경우, 차량과 서버 간의 통신이 불안정하다면 서버는 데이터를 제대로 전송받아 처리할 수 없다. 또한, 서버가 데이터를 처리하더라도 이를 차량으로 신속하게 전송할 수 없다.

그러므로, 차량과 서버 간의 연계 동작, 예를 들어, 차량의 제어, 통신, 데이터 송수신, 데이터 처리 등이 안정적으로 수행될 수 있도록 하는 방법 및 장치를 제공할 필요가 있다.

일 실시예는 차량과 서버가 연계된 자율주행 시스템에서 차량을 안전하게 제어하는 것을 기술적 과제로 한다.

또한, 일 실시예는 차량과 서버 사이의 통신 상태가 좋지 않은 경우에도 외부 요인에 대한 차량의 신속한 응답이 가능토록 하는 것을 기술적 과제로 한다.

또한, 일 실시예는 차량과 서버 사이의 통신 상태에 따른 자율 주행의 안정도(level of stability)를 운전자에게 제공함으로써, 운전자가 자율 주행 중 발생 가능한 상황에 유연히 대처할 수 있게 하는 것을 기술적 과제로 한다.

차량에 장착되어 차량의 기능을 제어하는 일 실시예에 따른 전자 장치는, 적어도 하나의 인스트럭션을 저장하는 메모리; 및 상기 적어도 하나의 인스트럭션에 따라 동작하는 프로세서를 포함하고, 상기 프로세서는, 서버와의 통신 상태를 확인하고, 상기 확인된 통신 상태에 근거하여 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하고, 차량에 장착된 적어도 하나의 센서가 전체 크기가 상기 결정된 타겟 크기 이하인 데이터를 수집하도록 상기 적어도 하나의 센서를 제어하고, 상기 적어도 하나의 센서에 의해 수집된 데이터를 상기 서버로 전송하고, 상기 데이터의 전송에 응답하여 상기 서버에서 수신되는 제어 명령에 따라 상기 차량의 기능을 제어할 수 있다.

상기 프로세서는, 전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서 중 일부의 동작을 오프시킬 수 있다.

상기 프로세서는, 상기 차량의 이동 방향 및 상기 차량의 위치 중 적어도 하나에 근거하여 상기 적어도 하나의 센서 중 동작을 오프시킬 센서를 선택할 수 있다.

상기 프로세서는, 전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서의 센싱 능력을 감소시킬 수 있다.

상기 프로세서는, 상기 데이터의 수집 개시 시점부터 상기 제어 명령의 이행 시점까지의 예상 소요 시간이 임계 시간 이하가 되도록, 상기 타겟 크기를 결정할 수 있다.

상기 프로세서는, 상기 예상 소요 시간이 상기 임계 시간 이하가 되도록 하는 분석 정확도를 결정하고, 상기 결정된 분석 정확도를 상기 서버로 전송하며, 상기 제어 명령은, 상기 결정된 분석 정확도로 상기 데이터가 분석됨으로써 생성될 수 있다.

상기 프로세서는, 상기 차량의 속도 및 상기 차량의 위치 중 적어도 하나에 따라 복수의 후보 임계 시간 중 상기 임계 시간을 선택할 수 있다.

상기 프로세서는, 상기 결정된 타겟 크기 및 상기 임계 시간에 대응하는 자율주행의 안정도(level of stability)를 상기 차량 내 출력 장치를 통해 출력할 수 있다.

상기 프로세서는, 상기 차량의 출발 위치와 도착 위치 사이의 경로 내 구간들에서의 자율 주행의 예측 안정도를 출력 장치를 통해 출력할 수 있다.

상기 프로세서는, 상기 차량의 출발 위치와 도착 위치 사이의 경로들의 예측 안정도의 평균을 고려하여 상기 경로들 중 추천 경로를 선택할 수 있다.

상기 프로세서는, 상기 서버와의 통신 방법에 대응하는 자율주행의 안정도에 따라 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정할 수 있다.

상기 프로세서는, 상기 적어도 하나의 센서로부터 미리 획득된 데이터가 존재하는 경우, 전체 크기가 상기 결정된 타겟 크기 이하가 되도록 일부의 데이터를 선택하고, 상기 선택한 일부의 데이터를 상기 서버로 전송할 수 있다.

차량에 장착되는 일 실시예에 따른 전자 장치에 의한 방법에 있어서, 서버와의 통신 상태를 확인하는 단계; 상기 확인된 통신 상태에 따라 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하는 단계; 차량에 장착된 적어도 하나의 센서가 전체 크기가 상기 결정된 타겟 크기 이하인 데이터를 수집하도록 상기 적어도 하나의 센서를 제어하는 단계; 상기 적어도 하나의 센서에 의해 수집된 데이터를 상기 서버로 전송하는 단계; 및 상기 데이터의 전송에 응답하여 상기 서버에서 수신되는 제어 명령에 따라 상기 차량의 기능을 제어하는 단계를 포함할 수 있다.

상기 방법은, 전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서 중 일부의 동작을 오프시키는 단계를 더 포함할 수 있다.

상기 방법은, 전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서의 센싱 능력을 감소시키는 단계를 더 포함할 수 있다.

상기 타겟 크기를 결정하는 단계는, 상기 데이터의 수집 개시 시점부터 상기 제어 명령의 이행 시점까지의 예상 소요 시간이 임계 시간 이하가 되도록, 상기 타겟 크기를 결정하는 단계를 포함할 수 있다.

상기 타겟 크기를 결정하는 단계는, 상기 차량의 속도 및 상기 차량의 위치 중 적어도 하나에 따라 복수의 후보 임계 시간 중 상기 임계 시간을 선택하는 단계를 포함할 수 있다.

상기 방법은, 상기 결정된 타겟 크기 및 상기 임계 시간에 대응하는 자율주행의 안정도(level of stability)를 상기 차량 내 출력 장치를 통해 출력하는 단계를 더 포함할 수 있다.

상기 타겟 크기를 결정하는 단계는, 상기 서버와의 통신 방법에 대응하는 자율주행의 안정도에 근거하여 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하는 단계를 포함할 수 있다.

차량에 장착되어 차량의 기능을 제어하는 일 실시예에 따른 전자 장치는, 적어도 하나의 인스트럭션을 저장하는 메모리; 및 상기 적어도 하나의 인스트럭션에 따라 동작하는 프로세서를 포함하고, 상기 프로세서는, 서버와의 통신 상태를 확인하고, 상기 확인된 통신 상태에 근거하여 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하고, 차량에 장착된 적어도 하나의 센서로부터 획득한 데이터 중 전체 크기가 상기 결정된 타겟 크기 이하가 되도록 일부의 데이터를 선택하고, 상기 선택한 일부의 데이터를 상기 서버로 전송하고, 상기 일부의 데이터의 전송에 응답하여 상기 서버에서 수신되는 제어 명령에 따라 상기 차량의 기능을 제어할 수 있다.

일 실시예는 차량과 서버가 연계된 자율주행 시스템에서 차량을 안전하게 제어할 수 있다.

또한, 일 실시예는 차량과 서버 사이의 통신 상태가 좋지 않은 경우에도 외부 요인에 대한 차량의 신속한 응답이 가능토록 할 수 있다.

또한, 일 실시예는 차량과 서버 사이의 통신 상태에 따른 자율 주행의 안정도를 운전자에게 제공함으로써, 운전자가 자율 주행 중 발생 가능한 상황에 유연히 대처하게 할 수 있다.

다만, 일 실시예에 따른 차량 기능의 제어를 위한 전자 장치, 및 이에 의한 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 차량에 장착된 전자 장치와 서버를 도시하는 일 실시예에 따른 도면이다.
도 2는 일 실시예에 따른 전자 장치가 장착된 차량의 기능 블록도이다.
도 3은 일 실시예에 따른 차량 기능의 제어 방법의 순서도이다.
도 4는 서버로 전송할 환경 데이터의 타겟 크기를 결정하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 5는 타겟 크기를 결정하는데 이용되는 임계 시간을 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 6은 타겟 크기 및 임계 시간에 대응하는 자율 주행의 안정도를 나타내는 일 실시예에 따른 도면이다.
도 7은 출발지와 도착지 사이의 경로에서 구간 별로 자율 주행의 안정도가 예측될 수 있음을 설명하기 위한 일 실시예에 따른 도면이다.
도 8은 출발지와 도착지 사이의 여러 경로들 중 자율 주행의 예측 안정도에 따라 추천 경로를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 9는 차량과 서버 사이의 통신 방법에 따라 타겟 크기를 결정하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 10은 차량의 이동 방향을 고려하여, 차량에 장착된 센서들 중 동작을 오프시킬 센서를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 11은 차량의 이동 방향을 고려하여, 차량에 장착된 센서들 중 동작을 오프시킬 센서를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 12는 다른 실시예에 따른 차량 기능의 제어 방법의 순서도이다.
도 13은 차량의 이동 방향을 고려하여, 센서들에 의해 수집된 환경 데이터 중 서버로 전송할 환경 데이터를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 14는 차량의 이동 방향을 고려하여, 센서들에 의해 수집된 환경 데이터 중 서버로 전송할 환경 데이터를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.
도 15는 일 실시예에서 인공 지능 기술을 이용하여 수행되는 동작을 설명하기 위한 도면이다.
도 16은 서버, 및 서버와 연동하여 동작하는 전자 장치를 나타내는 도면이다.
도 17은 일 실시예에 따른 전자 장치에 포함된 프로세서의 블록도이다.
도 18은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 19는 일 실시예에 따른 데이터 인식부의 블록도이다.
도 20은 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 설명하고자 한다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

실시예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 실시예의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 본 명세서에서 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.

또한, 본 명세서에서 '~부(유닛)', '모듈' 등으로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.

이하, 본 개시의 기술적 사상에 의한 실시예들을 차례로 상세히 설명한다.

자동차 기술의 발전을 설명하는 아키텍처 플로우에 따르면, 자동차의 구조는 현재의 분산 구조에서 기능별로 통합된 구조를 가지게 되고, 그 후에는 서로 결합된 도메인들을 중앙 컨트롤러가 제어하는 구조로 진화할 것으로 예상된다. 즉, 기술발전에 따라 데이터들이 중앙에서 처리되고, 향후에는 클라우드 연결도 가능할 것으로 예측되고 있다.

현재 관심이 집중되고 있는 자율 주행의 달성을 위해서는 많은 데이터들을 처리하여야 하므로, 대량의 데이터들을 처리하기 위한 고성능의 처리 장치가 필요하다. 이러한 처리 장치는 차량에 장착이 가능하나, 자율 주행 시스템이 정교해질수록 차량의 제작을 복잡하게 하고, 제작 단가를 상승시키는 요인이 된다.

이러한 문제점을 극복하기 위해, 차량은 차량 주변의 환경 데이터를 수집하여 서버로 전달하는 역할만 하고, 서버가 환경 데이터를 분석하여 제어 명령을 차량으로 전송하는 시스템을 고려할 수 있다.

차량과 서버가 연계된 자율 주행 시스템에서 가장 중요한 고려 사항은 외부 요인에 대해 얼마나 빠르게 응답할 수 있는 지이다. 외부 요인에 대한 신속한 응답은 차량과 서버 사이의 통신 상태에 많은 영향을 받는다. 따라서, 차량과 서버 사이의 통신 상태가 변동되는 상황에서도 안정적으로 차량을 자율 주행시키는 방안이 요구된다.

한편, 인공지능(Artificial Intelligence, AI) 시스템은 컴퓨터 시스템이며, 기존 룰(Rule) 기반 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고, 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다.

기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화 시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험 정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

개시된 실시예는, 차량과 서버가 연계된 자율주행 시스템에서 차량을 안전하게 제어할 수 있도록 하는 방법 및 그를 수행하는 장치에 대한 것으로, 이하에서 첨부된 도면들을 참조하여 상세히 설명한다.

도 1은 차량(10)에 장착된 전자 장치(100)와 서버(200)를 도시하는 일 실시예에 따른 도면이다.

차량(10)은 서버(200)와의 연계를 통해 자율 주행을 할 수 있다. 전술한 바와 같이, 차량(10)은 차량(10)에 장착된 센서들에 의해 수집된 데이터를 서버(200)로 전송하고, 서버(200)는 데이터를 분석하여 자율 주행을 위한 제어 명령을 생성할 수 있다. 서버(200)는 제어 명령을 차량(10)으로 전송하고, 차량(10)은 제어 명령에 따라 동작할 수 있다.

여기서, 차량(10)에 장착된 센서들에 의해 수집된 데이터는 차량의 주변 환경들에 대한 데이터가 될 수 있다. 예를 들어, 데이터는, 차량 주변에 충돌 가능한 객체가 존재하는지, 차량의 운행 또는 이동 시 고려할 사항(예를 들어, 음영 지역이 존재하는지, 사고 발생이 존재하는지 등), 차량의 주행에 영향을 미치는 사항 등에 대한 데이터가 될 수 있다. 이하에서는 설명의 편의 상, '데이터'가 차량의 주변 환경에 대한 데이터인 경우를 예로 들어서, '환경 데이터' 또는 '센싱 데이터'로 칭하도록 한다.

전자 장치(100)는 차량(10)의 자율 주행을 지원하기 위해 차량(10)에 장착된다. 도 1은 전자 장치(100)가 차량(10)의 루프(roof)에 장착된 것으로 도시하고 있는데, 이는 하나의 예시일 뿐이며, 전자 장치(100)는 차량(10)의 다양한 위치(예를 들어, 엔진룸, 섀시, 대시보드 등)에 장착될 수 있다.

전자 장치(100)는 차량(10)의 제조 과정 중에 차량(10)에 장착될 수 있고, 또는, 차량(10)의 제조가 완료된 후 차량(10)에 장착될 수도 있다.

차량(10)과 서버(200)가 연계된 자율 주행 시스템에서, 전자 장치(100)는 차량(10)과 서버(200) 간의 통신 상황이 변동되는 상황에서도 차량(10)이 안전하게 자율 주행할 수 있게 한다. 구체적으로, 전자 장치(100)는 서버(200)로부터 수신되는 제어 명령을 이행하는데 소요되는 시간을 일정하게 유지함으로써 통신 상황이 차량(10)의 자율 주행의 안전성에 미치는 영향을 최소화할 수 있다.

이하에서는, 도 2를 참조하여 전자 장치(100)가 장착된 차량(10)에 대해 보다 상세하게 설명한다.

도 2는 일 실시예에 따른 전자 장치(100)가 장착된 차량(10)의 기능 블록도이다.

도 2를 참조하면, 차량(10)에는 전자 장치(100), 통신 모듈(300) 및 센서(400)들이 장착된다.

먼저, 센서(400)들은 차량(10)과 관련된 환경을 센싱하여 환경 데이터를 수집한다. 센서(400)들에 의해 수집된 환경 데이터는 전자 장치(100)로 전달된다.

일 실시예에서, 센서(400)들은 차량(10) 주변의 오브젝트를 감지하는 센서, 차량(10)의 현재 위치를 감지하는 센서, 차량(10) 주변을 촬영하는 센서, 및 차량(10)의 자세를 감지하는 센서 등을 포함할 수 있다. 예를 들어, 차량(10)에 장착 가능한 센서(400)들은 카메라, Lidar(Light Imaging Detection and Ranging), Radar(Radio Detection and Ranging), GPS(Global Positioning System), 가속도 센서, 및 자이로 센서 등을 포함할 수 있다. 차량(10)에 장착 가능한 센서(400)들의 종류는 예시된 것들에 한정되는 것은 아니며, 예시되지 않은 다양한 종류의 센서들이 차량(10)에 장착될 수 있다. 차량(10)에 장착되는 센서(400)의 개수는 하나 이상일 수 있다.

통신 모듈(300)은 통신망(30)을 통해 서버(200)와 통신하면서 전자 장치(100)와 서버(200) 사이에서 데이터를 중개한다. 즉, 통신 모듈(300)은 전자 장치(100)로부터 제공되는 환경 데이터를 통신망(30)을 통해 서버(200)로 전송하고, 서버(200)로부터 통신망(30)을 통해 수신되는 제어 명령을 전자 장치(100)로 전달한다. 통신 모듈(300)은 NIC(network interface card)를 포함할 수 있다.

일 실시예에서, 통신 모듈(300)은 지원 가능한 여러 통신 방법들 중 어느 하나의 통신 방법으로 서버(200)와 통신할 수 있다. 지원 가능한 여러 통신 방법들은 5g mmWave 통신 방법, 5g SUB6 통신 방법, LTE(Long-Term Evolution) 통신 방법 등을 포함할 수 있으나 이에 한정되는 것은 아니다. 5g mmWave 통신 방법과 5g SUB6 통신 방법은 모두 5세대 통신 방법에 해당하나, 이용 가능 주파수 대역이 다르다는 점에서 차이가 있다.

통신 모듈(300)은 어느 하나의 통신 방법으로 서버(200)와 통신하다가 다른 통신 방법으로 교체하여 서버(200)와 통신할 수도 있다. 예를 들어, 통신 모듈(300)은 5g mmWave 통신 방법으로 서버(200)와 통신하다가, 특정의 구역에서 5g mmWave 통신 방법의 이용이 어려울 때에는 LTE 통신 방법으로 전환하여 서버(200)와 통신할 수 있다.

통신 모듈(300)은 서버(200)와의 통신에 이용 가능한 통신 방법이 여러 개인 경우, 우선 순위가 높은 통신 방법으로 서버(200)와 통신할 수 있다. 예를 들어, 5g mmWave 통신 방법, 5g SUB6 통신 방법으로 서버(200)와 통신이 가능하고, 5g mmWave 통신 방법의 우선 순위가 5g SUB6 통신 방법보다 높으면, 통신 모듈(300)은 서버(200)와의 통신에 5g mmWave 통신 방법을 이용할 수 있다.

통신 모듈(300)은 서버(200)와의 통신 상태에 대한 정보를 전자 장치(100)로 제공한다. 통신 상태에 대한 정보는 서버(200)와의 통신 속도를 나타내는 정보를 포함할 수 있다. 통신 모듈(300)과 서버(200)의 통신 방법이 확인되면, 통신 속도가 확인될 수 있으므로, 통신 상태에 대한 정보는 통신 방법을 나타내는 정보를 포함할 수도 있다.

전자 장치(100)는 메모리(110) 및 프로세서(130)를 포함한다.

메모리(110)는 적어도 하나의 인스트럭션을 저장하고, 프로세서(130)는 적어도 하나의 인스트럭션에 따라 차량(10)의 기능들을 제어하기 위한 동작을 수행한다. 구현예에 따라 전술한 통신 모듈(300)이 전자 장치(100)에 포함될 수도 있다.

전자 장치(100)는 통신 모듈(300)과 서버(200) 사이의 통신 상태를 고려하여 서버(200)로 전송할 환경 데이터의 타겟 크기를 적응적으로 결정한다. 서버(200)로 전송될 환경 데이터의 크기가 커지면, 통신 모듈(300)로부터 서버(200)로 환경 데이터가 전송되는데 소요되는 시간이 증가하므로, 차량(10) 외부 요인에 대한 신속한 응답이 불가능해질 수 있다. 따라서, 전자 장치(100)는 통신 모듈(300)과 서버(200) 사이의 통신 상태가 좋을 때는 환경 데이터의 타겟 크기를 증가시켜 차량(10) 외부 요인에 대해 신속하고 정확한 응답이 가능하게 하고, 통신 모듈(300)과 서버(200) 사이의 통신 상태가 좋지 않을 때는 환경 데이터의 타겟 크기를 감소시켜 차량(10) 외부 요인에 대해 신속한 응답이 가능하게 한다.

서버(200)는 통신 모듈(300)을 통해 전자 장치(100)로부터 수신된 환경 데이터를 분석하여 차량(10)의 기능을 어떻게 제어해야 할지를 나타내는 제어 명령을 생성한다. 예를 들어, 서버(200)는 환경 데이터의 분석을 통해 차량(10)의 우회전이 필요하다고 판단하면, 우회전을 나타내는 제어 명령을 생성할 수 있다.

제어 명령은 서버(200)로부터 통신 모듈(300)을 통해 전자 장치(100)로 제공된다. 전자 장치(100)는 제어 명령에 따라 차량(10)의 기능을 제어한다. 예를 들어, 전자 장치(100)는 차량(10)의 엔진(11), 파워트레인(12), 브레이크(13), 스티어링(14) 및 서스펜션(15) 중 적어도 하나를 제어하여 차량(10)이 특정 기능(예를 들어, 우회전 등)을 수행할 수 있게 한다.

도 2는 전자 장치(100)에 의해 제어되는 대상으로, 엔진(11), 파워트레인(12), 브레이크(13), 스티어링(14) 및 서스펜션(15)을 도시하고 있으나, 이는 예시일 뿐이다. 전자 장치(100)는 공조기(air conditioner), 조명 등 차량(10)에 설치되어 특정의 기능을 수행하는 다양한 장치들을 제어할 수 있다.

도 3을 참조하여 전자 장치(100)의 동작에 대해 좀더 상세히 살펴본다.

도 3은 일 실시예에 따른 차량(10) 기능의 제어 방법의 순서도이다.

S310 단계에서, 전자 장치(100)는 통신 모듈(300)과 서버(200) 사이의 통신 상태를 확인한다. 전자 장치(100)는 통신 모듈(300)로부터 통신 상태에 대한 정보를 수신하고, 수신된 정보에 따라 통신 모듈(300)과 서버(200) 사이의 통신 상태를 확인할 수 있다.

S320 단계에서, 전자 장치(100)는 확인된 통신 상태에 따라 서버(200)로 전송할 환경 데이터의 타겟 크기를 결정한다. 예를 들어, 통신 상태가 좋으면 서버(200)로 전송할 환경 데이터의 타겟 크기를 크게 결정하고, 통신 상태가 좋지 않으면 서버(200)로 전송할 환경 데이터의 타겟 크기를 작게 결정할 수 있다. 전자 장치(100)가 환경 데이터의 타겟 크기를 결정하는 방법은 도 4 이하를 참조하여 후술한다.

S330 단계에서, 전자 장치(100)는 센서(400)들을 제어하여 S320 단계에서 결정된 타겟 크기의 환경 데이터 또는 전체 크기가 타겟 크기 이하인 환경 데이터를 센서(400)들로부터 획득한다. 전자 장치(100)는 센서(400)들이 수집하는 환경 데이터의 총 크기가 타겟 크기 이하가 되도록 센서(400)들을 제어할 수 있다.

일 예로, 전자 장치(100)는 센서(400)들이 수집하는 환경 데이터의 총 크기가 타겟 크기 이하이면서 타겟 크기에 가장 가까워지도록 센서(400)들을 제어할 수 있다.

다른 예로, 전자 장치(100)는 센서(400)들이 수집하는 환경 데이터의 총 크기가 타겟 크기 이하이면서, 타겟 크기와의 차이가 임계 값 이하가 되도록 센서(400)들을 제어할 수 있다. 예를 들어, 타겟 크기가 100Mb이고 임계 값이 10Mb일 때, 환경 데이터의 총 크기는 90Mb 내지 1000Mb를 가질 수 있다.

센서(400)들의 제어 방법으로서, 차량(10)에 장착된 센서(400)들 중 일부의 센싱 동작을 오프시키거나, 차량(10)의 장착된 센서(400)들의 센싱 능력을 감소시키는 것을 고려할 수 있다. 이에 대해서는 도 10 및 도 11을 참조하여 후술한다.

S340 단계에서, 전자 장치(100)는 센서(400)들로부터 획득한 환경 데이터를 서버(200)로 전송한다. 전자 장치(100)는 통신 모듈(300)과 서버(200) 사이의 통신 방법에 적합하게 환경 데이터를 변환(예를 들어, 압축)할 수도 있다.

서버(200)는 전자 장치(100)로부터 수신된 환경 데이터를 분석하여 제어 명령을 생성한다. 일 예로, 서버(200)는 훈련된 신경망(neural network)에 환경 데이터를 입력하여 차량(10)이 어떻게 기능하여야 하는지를 나타내는 제어 명령을 획득할 수 있다.

S350 단계에서, 전자 장치(100)는 환경 데이터에 대한 응답으로서 서버(200)로부터 수신되는 제어 명령에 따라 차량(10)의 기능을 제어한다.

도 3과 관련하여 설명한 것과 같이, 전자 장치(100)는 통신 모듈(300)과 서버(200) 사이의 통신 상태에 따라 적응적으로 환경 데이터의 타겟 크기를 결정함으로써 자율 주행의 안정성과 정확성을 유지할 수 있다.

환경 데이터의 타겟 크기를 아주 작게 감소시키는 경우, 외부 요인에 대한 신속한 응답을 기대할 수는 있으나, 자율 주행의 정확성이 감소할 수 있다. 따라서, 차량(10)의 신속하고 정확한 응답을 가능케하는 환경 데이터의 타겟 크기를 결정하는 것이 중요하다.

일 실시예에서, 전자 장치(100)는 특정 크기의 환경 데이터를 수집하기로 하였을 때, 센서(400)들에 의한 환경 데이터의 수집 개시 시점부터 제어 명령의 이행 시점까지의 예상 소요 시간이 임계 시간 이하라면 상기 특정 크기를 환경 데이터의 타겟 크기로 결정할 수 있다. 임계 시간은 차량(10)의 신속한 응답을 보장하기 위한 것으로서 미리 결정되어 있을 수 있다.

예상 소요 시간은 다음과 같이 세부 소요 시간으로 구분할 수 있다.

① 센서(400)들이 환경 데이터를 수집하는데 소요되는 시간; ② 센서(400)들로부터 전자 장치(100)로 환경 데이터가 전달되는데 소요되는 시간; ③ 전자 장치(100)가 환경 데이터를 변환하여 통신 모듈(300)로 전달하는데 소요되는 시간; ④ 통신 모듈(300)이 환경 데이터를 통신망(30)을 통해 서버(200)로 전송하는데 소요되는 시간; ⑤ 서버(200)가 환경 데이터를 분석하여 제어 명령을 생성하는데 소요되는 시간; ⑥ 서버(200)가 제어 명령을 통신망(30)을 통해 통신 모듈(300)로 전송하는데 소요되는 시간; ⑦ 제어 명령이 통신 모듈(300)로부터 전자 장치(100)로 전달되는데 소요되는 시간; 및 ⑧ 전자 장치(100)가 제어 명령에 따라 차량(10)의 기능을 제어하는데 소요되는 시간.

상기 나열된 세부 소요 시간들은 어느 정도 크기의 환경 데이터를 서버(200)로 전송할 것인지에 따라 달라질 수 있다. 예를 들어, 환경 데이터의 크기가 클수록 세부 소요 시간 ①, 세부 소요 시간 ②, 세부 소요 시간 ③, 세부 소요 시간 ④, 및 세부 소요 시간 ⑤는 증가할 가능성이 크다.

특히, 세부 소요 시간 ④와 ⑥은 통신 모듈(300)과 서버(200) 사이의 통신 상태, 구체적으로 통신 속도에 의존하므로, 전자 장치(100)는 통신 상태를 고려하여 서버(200)로 전송할 환경 데이터의 타겟 크기를 결정하여야 한다.

전자 장치(100)는 특정의 통신 상태에서 어느 정도 크기의 환경 데이터를 수집할 때, 얼마나 많은 시간이 소요될지를 미리 알고 있을 수 있다. 예를 들어, 전자 장치(100)는 5g mmWave 통신 방법에서 100Mb의 환경 데이터를 수집할 때, 환경 데이터의 수집 개시 시점부터 제어 명령의 이행 시점까지 1초의 시간이 소요되고, LTE 통신 방법에서 100Mb의 환경 데이터를 수집할 때에는, 환경 데이터의 수집 개시 시점부터 제어 명령의 이행 시점까지 2초의 시간이 소요된다는 것을 미리 알고 있을 수 있다.

구현예에 따라, 전자 장치(100)는 미리 저장된 알고리즘에 통신 상태에 대한 정보와 임계 시간을 입력하여 서버(200)로 전송할 환경 데이터의 타겟 크기를 산출할 수도 있다.

구현예에 따라, 전자 장치(100)는 예상 소요 시간과 임계 시간을 고려하여 타겟 크기를 결정할 때, 서버(200)에 의한 분석 정확도를 더 결정할 수 있다. 서버(200)의 분석 정확도는 세부 소요 시간 ⑤와 관련된다. 분석 정확도가 올라갈수록 세부 소요 시간 ⑤가 증가하게 되므로, 전자 장치(100)는 예상 소요 시간이 임계 시간 이하가 되도록 타겟 크기와 분석 정확도를 결정할 수 있다.

전자 장치(100)는 분석 정확도를 서버(200)로 전송하고, 서버(200)는 수신된 분석 정확도에 따라 환경 데이터를 분석할 수 있다. 일 예로, 서버(200)는 분석 정확도가 3이면, 미리 결정된 제 1 알고리즘으로 환경 데이터를 분석하고, 분석 정확도가 2이면, 제 1 알고리즘보다 복잡도가 적은 제 2 알고리즘으로 환경 데이터를 분석하고, 분석 정확도가 1이면, 제 2 알고리즘보다 복잡도가 적은 제 3 알고리즘으로 환경 데이터를 분석할 수 있다. 제 1 알고리즘은 제 1 신경망을 포함할 수 있고, 제 2 알고리즘은 제 1 신경망보다 레이어의 개수가 적은 제 2 신경망을 포함할 수 있고, 제 3 알고리즘은 제 2 신경망보다 레이어의 개수가 적은 제 3 신경망을 포함할 수 있다.

도 4는 서버(200)로 전송할 환경 데이터의 타겟 크기를 결정하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.

도 4를 참조하면, S410 단계에서, 전자 장치(100)는 소정 크기의 환경 데이터에 대응하는 예상 소요 시간이 임계 시간보다 작은 지를 판단한다.

예상 소요 시간이 임계 시간보다 작다면, S420 단계에서, 환경 데이터의 타겟 크기를 소정 크기로 결정한다. 만약, 소정 크기를 증가시키더라도 예상 소요 시간이 임계 시간보다 작다면, 타겟 크기를 소정 크기보다 큰 크기로 결정할 수도 있다. 즉, 전자 장치(100)는 임계 시간보다 작은 예상 소요 시간을 야기하는 여러 크기들 중 가장 큰 크기를 타겟 크기로 결정할 수 있다. 전술한 바와 같이, 임계 시간은 차량(10)의 신속한 응답을 보장하기 위한 것이지만, 신속한 응답만으로는 안전성을 보장할 수 있으므로, 신속한 응답이 가능한 범위 내에서 최대 크기의 환경 데이터를 수집하고자 하는 것이다.

예상 소요 시간이 임계 시간보다 작지 않다면, S430 단계에서, 전자 장치(100)는 소정 크기를 감소시키고, S410 단계를 다시 수행한다.

한편, 임계 시간은 차량(10)의 현재 상황에 따라 달라질 수 있다. 예를 들어, 차량(10)이 빠른 속도로 주행 중이라면 임계 시간은 짧아야만 하고, 차량(10)이 느린 속도로 주행 중이라면 임계 시간이 길더라도 문제가 발생하지 않을 가능성이 높다.

도 5는 타겟 크기를 결정하는데 이용되는 임계 시간을 결정하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.

전자 장치(100)는 도 5에 도시된 것과 같이, 차량(10)의 속도와 차량(10)의 현재 위치를 고려하여 여러 후보 임계 시간 중에서 임계 시간을 선택할 수 있다. 차량(10)의 현재 위치는 차량(10)이 어느 정도 위험한 구간에 위치하는지를 나타낸다.

도 5에 도시된 바와 같이, 차량(10)의 속도가 30km/h 이하이고, 차량(10)이 위험도 1의 구간에 위치한다면, 1초가 임계 시간으로 선택될 수 있다.

도 5를 참조하면, 차량(10)의 속도가 높아질수록 임계 시간은 짧아지는 것을 알 수 있다. 예시된 것과 같이, 차량(10)의 속도가 30km/h 이하이고, 차량(10)이 위험도 1의 구간에 위치한다면, 임계 시간은 1초이고, 차량(10)의 속도가 31km/h 이상 60km/h 이하이고, 차량(10)이 위험도 1의 구간에 위치한다면, 임계 시간은 0.8초이다.

마찬가지로, 차량(10)의 위험도가 높아질수록 임계 시간은 짧아질 수 있다. 예시된 것과 같이, 차량(10)의 속도가 30km/h 이하이고, 차량(10)이 위험도 1의 구간에 위치한다면, 임계 시간은 1초이고, 차량(10)의 속도가 30km/h 이하이고, 차량(10)이 위험도 2의 구간에 위치한다면, 임계 시간은 0.8초이다.

도 5는 전자 장치(100)가 차량(10)의 속도와 차량(10)의 위치를 모두 고려하여 임계 시간을 선택하는 것으로 도시하고 있으나, 이는 예시일뿐이다. 전자 장치(100)는 차량(10)의 속도만을 고려하여 임계 시간을 선택할 수도 있고, 차량(10)의 위치만을 고려하여 임계 시간을 선택할 수도 있다.

구현예에 따라, 전자 장치(100)는 기 설정된 임계 시간을 차량(10)의 속도 및 차량(10)이 위치하는 구역의 위험도 중 적어도 하나에 따라 증가 또는 감소시켜 타겟 크기를 결정하기 위한 임계 시간을 확정할 수 있다. 예를 들어, 기 설정된 임계 시간이 차량(10)의 속도가 31 ~ 60km/h이고, 위험도가 2일 때에 대응하는 경우, 차량(10)의 속도가 31 ~ 60km/h에 속하는 속도보다 크거나, 위험도가 2보다 크다면 기 설정된 임계 시간을 감소시킬 수 있다.

임계 시간과 타겟 크기에 따라 자율 주행의 안정도(level of stability)가 산출될 수 있다. 임계 시간이 짧아질수록 차량(10)의 신속한 응답이 가능해지고, 환경 데이터의 타겟 크기가 커질수록 자율주행의 안전성(safety)이 커지므로, 임계 시간과 환경 데이터의 타겟 크기를 모두 고려하여 차량(10)이 어느 정도로 안정적으로 자율 주행을 하고 있는지를 확인할 수 있다.

도 6은 서버(200)로 전송할 환경 데이터의 타겟 크기 및 임계 시간에 대응하는 자율 주행의 안정도를 나타내는 일 실시예에 따른 도면이다.

도 6을 참조하면, 서버(200)로 전송할 환경 데이터의 타겟 크기가 커짐에 따라 자율 주행의 안정도가 커지고, 임계 시간이 짧아짐에 따라 자율 주행의 안정도가 커지는 것을 알 수 있다. 예를 들어, 임계 시간이 0.1s 내지 0.4s일 때, 환경 데이터의 타겟 크기가 10Mb 이하라면 안정도는 2이고, 환경 데이터의 타겟 크기가 51Mb 내지 100Mb라면 안정도는 3이다. 또한, 환경 데이터의 타겟 크기가 10Mb 이하일 때, 임계 시간이 0.1s 내지 0.4s라면 안정도는 2이고, 임계 시간이 1s라면 안정도는 1이다.

자율 주행의 안정도가 확인되면, 전자 장치(100)는 차량(10)의 출력 장치, 예를 들어, 스피커 또는 디스플레이를 통해 자율 주행의 안정도를 출력할 수 있다. 자율주행의 안정도는 자율주행 모드를 의미할 수 있다. 자율주행 모드에 따라 운전자의 개입 정도가 달라질 수 있다. 예를 들어, 자율주행의 안정도가 3인 자율주행 모드에서는 운전자의 개입이 필요 없고, 자율주행의 안정도가 2인 자율주행 모드에서는 운전자의 적은 개입(예를 들어, 스티어링 휠을 잡고 전방을 주시하는 정도의 개입)이 필요할 수 있다. 자율주행의 안정도가 1인 자율주행 모드에서는 운전자의 많은 개입(예를 들어, 스티어링 휠을 잡고, 전방을 주시하여 언제라도 브레이크를 동작시킬 수 있을 정도의 개입)이 필요할 수 있다.

전자 장치(100)는 자율 주행의 안정도(또는 자율 주행 모드)를 운전자에게 제공함으로써 운전자가 자율 주행 중 발생 가능한 상황에 신속하게 대응할 수 있게 한다.

도 6은 타겟 크기와 임계 시간을 모두 고려하여 자율 주행의 안정도를 결정하는 것으로 도시하고 있으나, 이는 예시일 뿐이다. 전자 장치(100)는 타겟 크기만을 고려하여 자율 주행의 안정도를 고려할 수도 있고, 임계 시간만을 고려하여 자율 주행의 안정도를 고려할 수도 있다.

도 7은 출발지와 도착지 사이의 경로에서 구간 별로 자율 주행의 안정도가 예측될 수 있음을 설명하기 위한 일 실시예에 따른 도면이다.

전자 장치(100)는 차량(10)의 내비게이션(700)을 통해 출발지(710)와 도착지(730)가 설정된 경우, 출발지(710)로부터 도착지(730) 사이의 경로(720) 내 구간들(722, 724, 726)에서의 자율 주행의 안정도를 예측하고, 각 구간의 예측 안정도를 출력할 수 있다.

전자 장치(100)는 경로 내 각 구간들(722, 724, 726)에서 서버(200)와 어떤 통신 상태로 통신이 이루어지는지에 대한 정보를 미리 획득하고, 서버(200)와의 통신 상태를 근거로 각 구간별 자율 주행의 안정도를 예측할 수 있다. 통신 상태가 확인되면, 전자 장치(100)는 전술한 실시예에 따라 자율 주행의 안정도를 각 구간에 대해 산출할 수 있다.

도 7에 도시된 바와 같이, 전자 장치(100)는 출발지(710)와 도착지(730) 사이의 경로(720)를 예측 안정도에 따라 구간별로 다르게 표시할 수 있다. 예를 들어, 안정도 3의 구간(722)은 초록색의 라인, 안정도 2의 구간(724)은 주황색의 라인, 안정도 1의 구간(726)은 빨간색의 라인으로 표시될 수 있다. 다른 예로, 전자 장치(100)는 경로의 구간들의 예측 안정도를 텍스트로 표시할 수도 있다.

운전자는 출발지(710)와 도착지(730) 사이의 경로(720)를 따라 운행할 때, 어느 구간에서 어느 정도 개입하여야 하는지를 미리 알 수 있어 안전한 자율 주행이 가능해질 수 있다.

도 8은 출발지와 도착지 사이의 여러 경로들 중 자율 주행의 예측 안정도에 따라 추천 경로를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.

일 실시예에서, 전자 장치(100)는 출발지와 도착지를 연결하는 여러 경로가 존재할 때, 각 경로의 예측 안정도의 평균을 산출하고, 산출된 평균에 따라 추천 경로를 선택할 수도 있다.

도 8을 참조하면, 출발지와 도착지를 연결하는 A 경로와 B 경로가 존재할 때, 전자 장치(100)는 A 경로의 a-1 구간, a-2 구간 및 a-3 구간 각각의 예측 안정도와, B 경로의 b-1 구간, b-2 구간 및 b-3 구간 각각의 예측 안정도를 결정할 수 있다.

전자 장치(100)는 각 구간의 운행 시간을 고려하여 A 경로 및 B 경로의 평균 예측 안정도를 산출할 수 있다. 예를 들어, 전자 장치(100)는 각 경로의 구간 별 예측 안정도를 운행 시간에 따라 가중 평균하여 평균 예측 안정도를 산출할 수 있다. 구체적으로, 전자 장치(100)는 A 구간의 평균 예측 안정도를 (3*0.4)+(1*0.3)+(2*0.3)으로 산출하고, B 구간의 평균 예측 안정도를 (2*0.5)+(3*0.3)+(2*0.2)로 산출할 수 있다. 경로의 각 구간의 예측 안정도에 곱해지는 가중치는 운행 시간의 총합을 1로 정규화함으로써 산출될 수 있다. 즉, A 경로의 총 운행 시간이 100분이므로, a-1 구간의 예측 안정도 3에 곱해지는 가중치는 40/100으로 결정될 수 있다.

전자 장치(100)는 A 경로의 평균 예측 안정도가 2.1이고, B 경로의 평균 예측 안정도가 2.3일 때, 평균 예측 안정도가 더 높은 B 경로를 추천 경로로서 운전자에게 제공할 수 있다.

추천 경로를 선택하는 위 방법은 하나의 예시일 뿐이며, 전자 장치(100)는 각 경로로 주행하였을 때의 총 운행 시간, 통행료 등을 더 고려하여 추천 경로를 선택할 수 있다.

도 9는 차량(10)과 서버(200) 사이의 통신 방법에 따라 서버(200)로 전송할 환경 데이터의 타겟 크기를 결정하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.

전자 장치(100)는 차량(10)과 서버(200) 사이의 통신 방법에 대응하는 자율 주행의 안정도(즉, 자율주행 모드)를 선택하고, 선택된 자율 주행의 안정도에 대응하는 환경 데이터의 타겟 크기를 결정할 수도 있다.

위에서는 차량(10)과 서버(200) 사이의 통신 상태, 예상 소요 시간 및 임계 시간을 고려하여 타겟 크기가 결정되고, 자율 주행의 안정도가 결정되었는데, 구현예에 따라서는 차량(10)과 서버(200) 사이의 통신 방법에 따라 자율 주행의 안정도가 결정되고, 타겟 크기가 결정될 수도 있다.

도 9에 도시된 것과 같이, 통신 모듈(300)과 서버(200) 사이에서 이용될 수 있는 여러 통신 방법들, 자율 주행의 여러 안정도들 및 환경 데이터의 여러 타겟 크기들이 서로 매핑되어 있을 수 있다. 예를 들어, 통신 모듈(300)과 서버(200)가 5g mmWAVE 통신 방법으로 통신하는 경우, 자율 주행의 안정도는 3으로 결정되고, 타겟 크기는 100Mb로 결정될 수 있다. 또한, 통신 모듈(300)과 서버(200)가 5g SUB6 통신 방법으로 통신하는 경우, 자율 주행의 안정도는 2로 결정되고, 타겟 크기는 50Mb로 결정될 수 있다.

도 9에 도시된 실시예는, 환경 데이터의 타겟 크기를 산출하는데 많은 시간이 소요되는 것을 방지하기 위하여 통신 방법만을 고려하는 것이다.

이하에서는, 타겟 크기가 결정된 이후, 전자 장치(100)가 센서(400)들로부터 환경 데이터를 획득하는 방법에 대해 설명한다.

도 10 및 도 11은 차량(10)의 이동 방향을 고려하여, 차량(10)에 장착된 센서(400)들 중 동작을 오프시킬 센서(400)를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.

전자 장치(100)는 서버(200)로 전송할 환경 데이터의 타겟 크기가 결정되었으면, 결정된 타겟 크기의 환경 데이터가 센서(400)들에 의해 수집될 수 있도록 센서(400)들의 기능을 제어할 수 있다.

일 실시예에서, 전자 장치(100)는 센서(400)들 중 일부 센서(400)의 동작을 오프(off)시켜 센서(400)들에 의해 수집되는 환경 데이터의 총 크기를 감소시킬 수 있다. 이는 센서(400)들 모두의 동작이 온(On)되어 있는 상태에서 수집되는 환경 데이터의 총 크기가, 서버(200)로 전송할 환경 데이터의 타겟 크기보다 클 때 유용할 수 있다.

전자 장치(100)는 차량(10)의 이동 방향 및 차량(10)의 위치 중 적어도 하나를 고려하여 센서(400)들 중 동작을 오프시킬 센서(400)를 선택할 수 있다. 차량(10)의 위치는 차량(10)이 위치하는 영역의 위험도를 의미할 수 있다.

예를 들어, 도 10에 도시된 것과 같이, 차량(10)이 전진 중인 경우, 전자 장치(100)는 후방 카메라, 후방 lidar, 측면 lidar 및 자이로 센서의 동작을 오프시켜 동작이 오프된 센서(400)들에 의해 환경 데이터가 수집되지 않게 할 수 있다.

또한, 도 11에 도시된 것과 같이, 차량(10)이 우회전 중인 경우, 전자 장치(100)는 후방 카메라 및 후방 lidar의 동작을 오프시켜 동작이 오프된 센서(400)들에 의해 환경 데이터가 수집되지 않게 할 수 있다.

전자 장치(100)는 차량(10)의 이동 방향 및 차량(10)의 위치 중 적어도 하나에 따라 순차적으로 동작이 오프되어야 할 센서(400)를 미리 결정하고, 센서(400)에 의해 수집되는 환경 데이터의 총 크기가 서버(200)로 전송할 환경 데이터의 타겟 크기 이하가 되도록 우선 순위에 따라 센서(400)들의 동작을 순차적으로 오프시킬 수 있다.

다른 실시예에서, 전자 장치(100)는 센서(400)들의 센싱 능력을 감소시킴으로써 센서(400)들에 의해 수집되는 환경 데이터의 크기가 서버(200)로 전송할 환경 데이터의 타겟 크기 이하가 되도록 할 수도 있다. 일 예로, 전자 장치(100)는 카메라에 의해 촬영되는 이미지의 해상도를 감소시키거나, lidar, radar에 의해 감지되는 범위(거리 또는 면적)를 축소시킴으로써 센서(400)들에 의해 수집되는 환경 데이터의 전체 크기를 감소시킬 수 있다.

전자 장치(100)는 서버(200)로 전송할 환경 데이터의 타겟 크기에 따라 센싱 능력의 감소 정도를 적응적으로 결정할 수 있다. 일 예로, 서버(200)로 전송할 환경 데이터의 타겟 크기가 제 1 크기라면, 카메라에 의해 촬영되는 이미지의 해상도를 UHD(3840*2160)로 결정하고, 서버(200)로 전송할 환경 데이터의 타겟 크기가 제 1 크기보다 작은 제 2 크기라면, 카메라에 의해 촬영되는 이미지의 해상도를 FHD(1920*1080)로 결정하고, 서버(200)로 전송할 환경 데이터의 타겟 크기가 제 2 크기보다 작은 제 3 크기라면, 카메라에 의해 촬영되는 이미지의 해상도를 HD(1280*720)로 결정할 수 있다.

도 12는 다른 실시예에 따른 차량(10) 기능의 제어 방법의 순서도이다.

S1210 단계에서, 전자 장치(100)는 통신 모듈(300)과 서버(200) 사이의 통신 상태를 확인한다. 전자 장치(100)는 통신 모듈(300)로부터 통신 상태에 대한 정보를 수신하고, 수신된 정보에 따라 통신 모듈(300)과 서버(200) 사이의 통신 상태를 확인할 수 있다.

S1220 단계에서, 전자 장치(100)는 확인된 통신 상태에 따라 서버(200)로 전송할 환경 데이터의 타겟 크기를 결정한다. 서버(200)로 전송할 환경 데이터의 타겟 크기를 결정하는 방법에 대해서는 전술하였으므로 상세한 설명을 생략한다.

S1230 단계에서, 전자 장치(100)는 센서(400)들로부터 획득한 환경 데이터 중 일부를 선택한다. 센서(400)들로부터 획득한 환경 데이터의 총 크기가 S1220 단계에서 결정된 타겟 크기보다 큰 경우, 전자 장치(100)는 센서(400)들로부터 획득한 환경 데이터 중 총 크기가 타겟 크기 이하가 되도록 일부의 환경 데이터를 선택할 수 있다. 전자 장치(100)는 센서(400)들로부터 획득한 환경 데이터 중 총 크기가 타겟 크기 이하이면서, 총 크기가 타겟 크기에 가장 가까워지는 일부의 환경 데이터를 선택할 수 있다.

도 3에 도시된 실시예는, 센서(400)들로부터 환경 데이터를 전달받기 전에 서버(200)로 전송할 환경 데이터의 타겟 크기가 결정된 경우에 대한 것이나, 도 12에 도시된 실시예는, 전자 장치(100)가 센서(400)들의 기능을 제어할 수 없거나, 센서(400)들로부터 이미 환경 데이터를 전달받은 경우에 유용할 수 있다.

전자 장치(100)는 환경 데이터 중 일부를 선택할 때, 환경 데이터의 우선 순위를 고려할 수 있는데, 이에 대해서는 도 13 및 도 14를 참조하여 후술한다.

S1240 단계에서, 전자 장치(100)는 센서(400)들로부터 획득한 환경 데이터의 일부를 서버(200)로 전송한다. 전자 장치(100)는 통신 모듈(300)과 서버(200) 사이의 통신 방법에 적합하게 환경 데이터를 변환(예를 들어, 압축)할 수도 있다.

S1250 단계에서, 전자 장치(100)는 환경 데이터에 대한 응답으로서 서버(200)로부터 수신되는 제어 명령에 따라 차량(10)의 기능을 제어한다.

도 13 및 도 14는 차량(10)의 이동 방향을 고려하여, 센서(400)들에 의해 수집된 환경 데이터 중 서버(200)로 전송할 환경 데이터를 선택하는 방법을 설명하기 위한 일 실시예에 따른 도면이다.

전자 장치(100)는 차량(10)의 이동 방향 및 차량(10)의 위치 중 적어도 하나에 따라 센서(400)들로부터 획득한 환경 데이터 중 일부를 선택할 수 있다. 차량(10)의 위치는 차량(10)이 위치하는 영역의 위험도를 의미할 수 있다.

도 13에 도시된 것과 같이, 차량(10)이 전진 중인 경우, 전자 장치(100)는 전방 카메라, 전방 lidar, GPS, 및 가속도 센서에 의해 수집된 환경 데이터를 서버(200)로 전달한 환경 데이터로 선택할 수 있다.

또한, 도 14에 도시된 것과 같이, 차량(10)이 우회전 중인 경우, 전자 장치(100)는 전방 카메라, 전방 lidar, 측면 lidar, GPS, 가속도 센서 및 자이로 센서에 의해 수집된 환경 데이터를 서버(200)로 전달한 환경 데이터로 선택할 수 있다.

전자 장치(100)는 차량(10)의 이동 방향 및 차량(10)의 위치 중 적어도 하나를 고려하여 환경 데이터들 사이의 우선 순위를 미리 설정할 수 있다. 그리고, 전자 장치(100)는 선택되는 환경 데이터의 총 크기가 타겟 크기 이하이면서, 타겟 크기에 가장 가까워지도록, 우선 순위에 따라 서버(200)로 전송할 환경 데이터를 순차적으로 선택할 수 있다.

한편, 앞서서는 전자 장치(100)가 서버(200)로 전송될 환경 데이터의 타겟 크기를 능동적으로 결정하는 것으로 설명하였지만, 구현예에 따라 서버(200)가 전자 장치(100)로 환경 데이터의 크기 감축 요청을 할 수도 있다. 서버(200)는 자신이 수신하고자 하는 환경 데이터의 타겟 크기 정보를 전자 장치(100)로 전송할 수 있다. 또는 서버(200)는 환경 데이터의 크기 감축 요청을 전자 장치(100)로 하고, 전자 장치(100)가 감축 요청에 따라 타겟 크기를 결정할 수 있다.

서버(200)가 환경 데이터의 크기 감축 요청을 하는 경우는, 서버(200)에 가해지는 부하가 큰 경우에 유용할 수 있다. 예를 들어, 서버(200)와 연계되어 자율 주행을 하는 차량(10)의 개수가 많은 경우, 서버(200)에 가해지는 부하가 커지므로, 서버(200)는 환경 데이터의 크기 감축 요청을 차량(10)으로 전송하여 처리하여야 할 부하를 감소시킬 수 있다.

개시된 실시예에 있어서, 전자 장치(100), 구체적으로 전자 장치(100)의 프로세서(130)에서 수행되는 동작들 중 적어도 하나는 인공지능(AI: Artificial Intelligence) 기술을 이용하여 수행될 수 있다. 인공 지능(AI) 기술을 이용하여 수행되는 적어도 하나의 동작은 이하에서 도 15를 참조하여 상세히 설명한다.

도 15는 인공 지능 기술을 이용하여 수행되는 동작을 설명하기 위한 도면이다.

구체적으로, 전자 장치(100)에서 수행되는 i) 타겟 크기를 결정하는 동작, ii) 임계 시간을 선택하는 동작, iii) 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 동작 및 iv) 환경 데이터 중 서버(200)로 전송할 일부의 환경 데이터를 선택하는 동작 중 적어도 하나는, 신경망(neural network)을 통한 연산을 수행하는 인공지능(AI: Artificial Intelligence) 기술을 이용하여 수행될 수 있다. 예를 들어, 전술한 서버(200)와 차량(10) 사이의 통신 상태에 근거하여 인공지능 기반으로 수행될 수 있다.

인공 지능 기술(이하, 'AI 기술')은 신경망(Neural Network)을 통한 연산을 기반으로 입력 데이터를 분석 및/또는 분류 등과 같은 처리를 하여 목적하는 결과를 획득하는 기술이다.

이러한 AI 기술은 알고리즘을 활용하여 구현될 수 있다. 여기서, AI 기술을 구현하기 위한 알고리즘 또는 알고리즘의 집합을 신경망(Neural Network)이라 한다. 신경망은 입력 데이터를 입력받고, 전술한 분석 및/또는 분류를 위한 연산을 수행하여, 결과 데이터를 출력할 수 있다. 신경망이 입력 데이터에 대응되는 결과 데이터를 정확하게 출력하기 위해서는, 신경망을 학습(training)시킬 필요가 있다. 여기서, '학습(training)'은 신경망에 대한 입력 데이터들을 분석하는 방법, 입력 데이터들을 분류하는 방법, 및/또는 입력 데이터들에서 결과 데이터 생성에 필요한 특징을 추출하는 방법 등을 신경망이 스스로 발견 또는 터득할 수 있도록 훈련시키는 것을 의미할 수 있다. 구체적으로, 학습 과정을 통하여, 신경망은 학습 데이터를 학습(training)하여 신경망 내부의 가중치 값들을 최적화할 수 있다. 그리고, 최적화된 가중치 값을 가지는 신경망을 통하여, 입력 데이터를 처리함으로써, 목적하는 결과를 출력한다.

신경망은 연산을 수행하는 내부의 레이어(layer)인 은닉 레이어(hidden layer)의 개수가 복수일 경우, 즉 연산을 수행하는 신경망의 심도(depth)가 증가하는 경우, 심층 신경망으로 분류될 수 있다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks) 등이 있으며, 전술한 예에 한정되지 않는다. 또한, 신경망은 세분화될 수 있다. 예를 들어, CNN 신경망은 DCNN(Deep Convolution Neural Network) 또는 캡스넷(Capsnet) 신경망(미도시) 등으로 세분화 될 수 있다.

'AI 모델'은 입력 데이터를 수신하고 목적하는 결과를 출력하도록 동작하는 적어도 하나의 레이어를 포함하는 신경망을 의미할 수 있다. 또한, 'AI 모델'은 신경망을 통한 연산을 수행하여 목적하는 결과를 출력하는 알고리즘, 복수의 알고리즘의 집합, 알고리즘(또는 알고리즘의 집합)을 실행하기 위한 프로세서(processor), 알고리즘(또는 알고리즘의 집합)을 실행하기 위한 소프트웨어, 또는 알고리즘(또는 알고리즘의 집합)을 실행하기 위한 하드웨어를 의미할 수 있다.

전술한 i) 타겟 크기를 결정하는 동작, ii) 임계 시간을 선택하는 동작, iii) 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 동작 및 iv) 환경 데이터 중 일부를 선택하는 동작 중 적어도 하나는 AI 모델 기반으로 수행될 수 있다.

도 15를 참조하면, 신경망(1510)은 학습 데이터(training data)를 입력받아 트레이닝(training)될 수 있다. 그리고, 학습된 신경망(1510)은 입력단(1520)으로 입력 데이터(1511)(예를 들어, 통신 상태 정보 또는 환경 데이터의 타겟 크기 정보)를 입력받고, 입력단(1520), 은닉 레이어(hidden layer)(1530) 및 출력단(1540)은 입력 데이터(1511) 및 이전 레이어로부터 전달된 데이터를 분석하여 출력 데이터(1515)를 출력하기 위한 연산을 수행할 수 있다. 도 15에서는 은닉 레이어(1530)가 1개인 것으로 도시되어 있으나, 이는 예시일 뿐이고, 은닉 레이어(1530)는 복수의 계층으로 이루어질 수도 있다.

일 예로, 신경망(1510)은 통신 상태 정보에 근거하여, 서버(200)로 전송할 환경 데이터의 타겟 크기를 결정하는 방법을 학습할 수 있다. 학습이 완료된 신경망(1510)은, 통신 상태 정보를 입력받고, 환경 데이터의 타겟 크기를 결정할 수 있다.

다른 예로, 신경망(1510)은 환경 데이터의 타겟 크기 정보에 근거하여, 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 방법 및/또는 환경 데이터 중 일부를 선택하는 방법을 학습할 수 있다. 학습이 완료된 신경망(1510)은, 환경 데이터의 타겟 크기 정보를 입력받고, 센서(400)들 중 오프시킬 센서(400) 및/또는 환경 데이터 중 일부를 선택할 수 있다.

개시된 실시예에서, i) 환경 데이터의 타겟 크기를 결정하는 동작, ii) 임계 시간을 선택하는 동작, iii) 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 동작 및 iv) 환경 데이터 중 일부를 선택하는 동작 중 적어도 하나를 수행하는 신경망은 프로세서(예를 들어, 도 2의 130) 내에 구현될 수 있다.

또는, 전술한 i) 환경 데이터의 타겟 크기를 결정하는 동작, ii) 임계 시간을 선택하는 동작, iii) 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 동작 및 iv) 환경 데이터 중 일부를 선택하는 동작 중 적어도 하나를 수행하는 신경망은 전자 장치(100)와 구별된 별도의 전자 장치(미도시) 또는 프로세서(미도시) 내에 구현될 수 있다.

전술한 신경망을 통한 연산은 일 실시예에 따른 전자 장치(100)와 무선 통신 네트워크를 통하여 통신할 수 있는 서버(미도시)에서 수행될 수도 있다. 전자 장치(100)와 서버(미도시) 간의 통신은 도 16을 참조하여 설명한다.

도 16을 참조하면, 서버(1600)는 전자 장치(100)와 통신하는 통신 모듈(1610), 및 적어도 하나의 인스트럭션을 수행하는 프로세서(1630)를 포함한다. 서버(1600)는 도 1 및 도 2에 도시된 서버(200)일 수 있다.

일 예로, 서버(1600)의 프로세서(1630)는 통신 상태에 대한 정보를 획득하고, 통신 상태 정보에 따라 서버(200 또는 1600)로 전송될 환경 데이터의 타겟 크기를 결정할 수 있다. 통신부(1600)는 환경 데이터의 타겟 크기 정보를 전자 장치(100)로 전송할 수 있다.

개시된 실시예에서, 서버(1600)는 도 15를 참조하여 설명한 신경망(1510)을 통한 연산을 수행하여 환경 데이터의 타겟 크기를 결정할 수 있다. 구체적으로, 서버(1600)는 AI 모델을 훈련시키고, 훈련된 AI 모델을 저장하고 있을 수 있다. 그리고, 서버(1600)는 훈련된 AI 모델을 이용하여 전술한 환경 데이터의 타겟 크기를 결정할 수 있다.

일반적으로, 전자 장치(100)는 메모리 저장 용량, 연산의 처리 속도, 학습 데이터 셋의 수집 능력 등이 서버(1600)에 비하여 제한적일 수 있다. 따라서, 대용량 데이터의 저장 및 대용량의 연산량이 필요한 동작은 서버(1600)에서 수행한 후, 통신 네트워크를 통하여 필요한 데이터 및/또는 AI 모델을 전자 장치(100)에 전송할 수 있다. 그러면, 전자 장치(100)는 대용량의 메모리 및 빠른 연산 능력을 갖는 프로세서 없이도, 서버(1600)를 통하여 필요한 데이터 및/또는 AI 모델을 수신하여 이용함으로써, 빠르고 용이하게 필요한 동작을 수행할 수 있다.

개시된 실시예에서, 서버(1600)는 도 15에서 설명한 신경망(1510)을 포함할 수 있다. 구체적으로, 서버(1600)에 포함되는 신경망(1510)은 전술한 i) 환경 데이터의 타겟 크기를 결정하는 동작, ii) 임계 시간을 선택하는 동작, iii) 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 동작 및 iv) 환경 데이터 중 일부를 선택하는 동작 중 적어도 하나를 위한 연산을 수행할 수 있다.

통신 모듈(300)은 무선 통신 네트워크(1615)를 통해서 외부 장치(예를 들어, 서버(200 또는 1600))와 통신을 수행한다. 여기서, 외부 장치(미도시)는 전자 장치(100)가 필요로 하는 연산 중 적어도 하나를 수행하거나, 전자 장치(100)가 필요로 하는 데이터 등을 송신할 수 있는 서버(예를 들어, 200, 1600)를 포함할 수 있다.

통신 모듈(300)은, 근거리 통신 모듈, 유선 통신 모듈, 이동 통신 모듈, 방송 수신 모듈 등과 같은 적어도 하나의 통신 모듈을 포함한다. 여기서, 통신 모듈(300)은 방송 수신을 수행하는 튜너, 블루투스, WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), CDMA, WCDMA, 인터넷, 3G, 4G, 5G 및/또는 밀리미터파(mmwave)를 이용한 통신 방식과 같은 통신 규격을 따르는 네트워크를 통하여 데이터 송수신을 수행할 수 있는 통신 모듈을 포함한다.

예를 들어, 통신 모듈(300)이 밀리미터파(mmWAVE)를 이용하여 통신을 수행하면, 대용량의 데이터를 빠르게 송수신할 수 있다. 구체적으로, 차량(10)은 밀리미터파를 이용하여 대용량의 데이터를 빠르게 수신하고, 차량(10)의 안전에 필요한 데이터(예를 들어, 자율 주행에 필요한 데이터, 네비게이션 서비스를 위해 필요한 데이터 등), 사용자 이용 컨텐츠(예를 들어, 영화, 음악 등) 등을 빠르게 제공함으로써, 차량(10)의 안전성 및/또는 사용자의 편리성을 증가시킬 수 있다.

통신 모듈(300)은 3G, 4G, 및/또는 5G 등의 통신 규격에 따르는 통신 네트워크를 통하여 원거리에 위치하는 다른 장치(예를 들어, 서버(200, 1600))와 통신을 수행할 수 있다. 여기서, 원거리에 위치하는 다른 장치와 통신을 수행하는 통신 모듈(300)을 '원거리 통신 모듈'이라 칭할 수 있다.

도 16을 참조하면, 서버(1600)는, 통신 모듈(1610), 및 프로세서(1630)를 포함할 수 있다. 또한, 서버(1600)는 DB(1650)를 더 포함할 수 있다.

통신 모듈(1610)은 전자 장치(100)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 통신 모듈(1610)의 구체적인 구성은, 전술한 통신 모듈(300)의 구성과 동일하게 대응되므로, 상세한 설명은 생략한다.

예를 들어, 통신 모듈(1610)은 인터넷, 3G, 4G, 및/또는 5G 등의 통신 규격에 따르는 통신 네트워크를 통하여 원거리에 위치하는 다른 장치(예를 들어, 전자 장치(100))와 통신을 수행할 수 있다.

프로세서(1630)는 서버(1600)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1630)는, 서버(1600)의 적어도 하나의 인스트럭션, 및 프로그램들 중 적어도 하나를 실행함으로써, 요구되는 동작들을 수행할 수 있다.

DB(1650)는 메모리(미도시)를 포함할 수 있으며, 메모리(미도시) 내에 서버(1600)가 소정 동작을 수행하기 위해서 필요한 적어도 하나의 인스트럭션, 프로그램, 데이터 중 적어도 하나를 저장할 수 있다. 또한, DB(1640)는 서버(1600)가 신경망에 따른 연산을 수행하기 위해서 필요한 데이터들을 저장할 수 있다.

개시된 실시예에서, 서버(1600)는 도 15에서 설명한 신경망(1510)을 저장하고 있을 수 있다. 신경망(1510)은 프로세서(1630) 및 DB(1650) 중 적어도 하나에 저장될 수 있다. 서버(1600)가 포함하는 신경망(1510)은 학습이 완료된 신경망일 수 있다.

개시된 실시예에서, 서버(1600)는 내부적으로 포함하는 신경망을 이용하여 전술한 환경 데이터의 타겟 크기를 결정하고, 결정된 타겟 크기 정보를 통신 모듈(1610)를 통하여 전자 장치(100)의 통신 모듈(300)로 전송할 수 있다.

또한, 서버(1600)는 학습이 완료된 신경망을 통신 모듈(1610)을 통하여 전자 장치(100)의 통신 모듈(300)로 전송할 수 있다. 그러면, 전자 장치(100)는 학습이 완료된 신경망을 획득 및 저장하고, 신경망을 통하여 목적하는 출력 데이터를 획득할 수 있다.

도 17은 일부 실시예에 따른 전자 장치(100)에 포함된 프로세서(130)의 블록도이다.

도 17을 참조하면, 일부 실시예에 따른 프로세서(130)는 데이터 학습부(1710) 및 데이터 인식부(1720)를 포함할 수 있다.

데이터 학습부(1710)는 i) 환경 데이터의 타겟 크기를 결정하는 동작, ii) 임계 시간을 선택하는 동작, iii) 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 동작 및 iv) 환경 데이터 중 일부를 선택하는 동작 중 적어도 하나를 위한 기준을 학습할 수 있다.

예를 들어, 데이터 학습부(1710)는 환경 데이터의 타겟 크기를 결정하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 환경 데이터의 타겟 크기를 어떻게 선택할 지에 관한 기준을 학습할 수 있다.

데이터 학습부(1710)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, i) 환경 데이터의 타겟 크기를 결정하는 동작, ii) 임계 시간을 선택하는 동작, iii) 센서(400)들 중 오프(off)시킬 센서(400)를 선택하는 동작 및 iv) 환경 데이터 중 일부를 선택하는 동작 중 적어도 하나를 위한 기준을 학습할 수 있다.

데이터 인식부(1720)는 데이터(예를 들어, 통신 상태 정보)에 기초하여 서버(200, 1600)로 전송할 환경 데이터의 타겟 크기를 결정할 수 있다. 데이터 인식부(1720)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 환경 데이터의 타겟 크기를 결정할 수 있다. 데이터 인식부(1720)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초하여 환경 데이터의 타겟 크기를 결정할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1710) 및 데이터 인식부(1720) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 데이터 학습부(1710) 및 데이터 인식부(1720) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 전자 장치(100)에 탑재될 수도 있다.

데이터 학습부(1710) 및 데이터 인식부(1720)는 하나의 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1710) 및 데이터 인식부(1720) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 서버(1600)에 포함될 수 있다. 또한, 데이터 학습부(1710) 및 데이터 인식부(1720)는 유선 또는 무선으로 통하여, 데이터 학습부(1710)가 구축한 모델 데이터를 데이터 인식부(1720)로 제공할 수도 있고, 데이터 인식부(1720)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1710)로 제공될 수도 있다.

한편, 데이터 학습부(1710) 및 데이터 인식부(1720) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1710) 및 데이터 인식부(1720) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 18은 일부 실시예에 따른 데이터 학습부(1710)의 블록도이다.

도 18을 참조하면, 일부 실시예에 따른 데이터 학습부(1710)는 데이터 획득부(1710-1), 전처리부(1710-2), 학습 데이터 선택부(1710-3), 모델 학습부(1710-4) 및 모델 평가부(1710-5)를 포함할 수 있다.

데이터 획득부(1710-1)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1710-1)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작의 학습을 위하여 필요한 데이터를 획득할 수 있다.

전처리부(1710-2)는 학습을 위해 획득된 데이터를 전처리할 수 있다. 전처리부(1710-2)는 후술할 모델 학습부(1710-4)가 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위한 학습을 위하여 데이터를 이용할 수 있도록, 데이터를 기 설정된 포맷으로 가공할 수 있다.

학습 데이터 선택부(1710-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1710-4)에 제공될 수 있다. 학습 데이터 선택부(1710-3)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1710-3)는 후술할 모델 학습부(1710-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

모델 학습부(1710-4)는 학습 데이터에 기초하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1710-4)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 모델 학습부(1710-4)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 데이터 등)를 입력 받아 미리 구축된 모델일 수 있다.

데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, CNN(Convolutional Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(1710-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(1710-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.

또한, 모델 학습부(1710-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1710-4)는, 예를 들어, 별다른 지도없이 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 수행하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1710-4)는, 예를 들어, 학습에 따른 환경 데이터의 타겟 크기 결정의 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.

또한, 데이터 인식 모델이 학습되면, 모델 학습부(1710-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1710-4)는 학습된 데이터 인식 모델을 데이터 인식부(1720)를 포함하는 전자 장치(100)의 메모리(110)에 저장할 수 있다. 또는, 모델 학습부(1710-4)는 학습된 데이터 인식 모델을 전자 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버(1600)의 메모리에 저장할 수도 있다.

이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(1710-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1710-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(1710-5)는 평가 데이터에 대한 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1710-5)는 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1710-5)는 각각의 학습된 데이터 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1710-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.

한편, 데이터 학습부(1710) 내의 데이터 획득부(1710-1), 전처리부(1710-2), 학습 데이터 선택부(1710-3), 모델 학습부(1710-4) 및 모델 평가부(1710-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1710-1), 전처리부(1710-2), 학습 데이터 선택부(1710-3), 모델 학습부(1710-4) 및 모델 평가부(1710-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 전자 장치(100)에 탑재될 수도 있다.

또한, 데이터 획득부(1710-1), 전처리부(1710-2), 학습 데이터 선택부(1710-3), 모델 학습부(1710-4) 및 모델 평가부(1710-5)는 하나의 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1710-1), 전처리부(1710-2), 학습 데이터 선택부(1710-3), 모델 학습부(1710-4) 및 모델 평가부(1710-5) 중 일부는 전자 장치(100)에 포함되고, 나머지 일부는 서버(1600)에 포함될 수 있다.

또한, 데이터 획득부(1710-1), 전처리부(1710-2), 학습 데이터 선택부(1710-3), 모델 학습부(1710-4) 및 모델 평가부(1710-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1710-1), 전처리부(1710-2), 학습 데이터 선택부(1710-3), 모델 학습부(1710-4) 및 모델 평가부(1710-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 19는 일부 실시예에 따른 데이터 인식부(1720)의 블록도이다.

도 19를 참조하면, 일부 실시예에 따른 데이터 인식부(1720)는 데이터 획득부(1720-1), 전처리부(1720-2), 인식 데이터 선택부(1720-3), 인식 결과 제공부(1720-4) 및 모델 갱신부(1720-5)를 포함할 수 있다.

데이터 획득부(1720-1)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작에 필요한 데이터를 획득할 수 있으며, 전처리부(1720-2)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1720-2)는 후술할 인식 결과 제공부(1720-4)가 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위해 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

인식 데이터 선택부(1720-3)는 전처리된 데이터 중에서 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1720-4)에게 제공될 수 있다. 인식 데이터 선택부(1720-3)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1720-3)는 모델 학습부(1710-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1720-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 수행할 수 있다. 인식 결과 제공부(1720-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1720-4)는 인식 데이터 선택부(1720-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.

모델 갱신부(1720-5)는 인식 결과 제공부(1720-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1720-5)는 인식 결과 제공부(1720-4)에 의해 제공되는 인식 결과를 모델 학습부(1710-4)에게 제공함으로써, 모델 학습부(1710-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1720) 내의 데이터 획득부(1720-1), 전처리부(1720-2), 인식 데이터 선택부(1720-3), 인식 결과 제공부(1720-4) 및 모델 갱신부(1720-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1720-1), 전처리부(1720-2), 인식 데이터 선택부(1720-3), 인식 결과 제공부(1720-4) 및 모델 갱신부(1720-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전자 장치(100)에 탑재될 수도 있다.

또한, 데이터 획득부(1720-1), 전처리부(1720-2), 인식 데이터 선택부(1720-3), 인식 결과 제공부(1720-4) 및 모델 갱신부(1720-5)는 하나의 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1720-1), 전처리부(1720-2), 인식 데이터 선택부(1720-3), 인식 결과 제공부(1720-4) 및 모델 갱신부(1720-5) 중 일부는 전자 장치(100)에 포함되고, 나머지 일부는 서버(1600)에 포함될 수 있다.

또한, 데이터 획득부(1720-1), 전처리부(1720-2), 인식 데이터 선택부(1720-3), 인식 결과 제공부(1720-4) 및 모델 갱신부(1720-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1720-1), 전처리부(1720-2), 인식 데이터 선택부(1720-3), 인식 결과 제공부(1720-4) 및 모델 갱신부(1720-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 20은 일부 실시예에 따른 전자 장치(100) 및 서버(1600)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 20을 참조하면, 서버(1600)는 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(1600)에 의한 학습 결과에 기초하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 수행할 수 있다.

이 경우, 서버(1600)의 모델 학습부(2710)는 도 18에 도시된 데이터 학습부(1710)의 기능을 수행할 수 있다. 서버(1600)의 모델 학습부(2710)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2710)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 데이터 인식 모델에 적용함으로써, 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 위한 기준을 학습할 수 있다.

또한, 전자 장치(100)의 인식 결과 제공부(1720-4)는 인식 데이터 선택부(1720-3)에 의해 선택된 데이터를 서버(1600)에 의해 생성된 데이터 인식 모델에 적용하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 수행할 수 있다. 예를 들어, 인식 결과 제공부(1720-4)는 인식 데이터 선택부(1720-3)에 의해 선택된 데이터를 서버(1600)로 전송하고, 서버(1600)가 인식 데이터 선택부(1720-3)에 의해 선택된 데이터를 인식 모델에 적용하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 수행할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1720-4)는 서버(1600)에 의해 수행된 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작의 결과 정보를 서버(1600)로부터 수신할 수 있다.

또는, 전자 장치(100)의 인식 결과 제공부(1720-4)는 서버(1600)에 의해 생성된 인식 모델을 서버(1600)로부터 수신하고, 수신된 인식 모델을 이용하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 수행할 수 있다. 이 경우, 전자 장치(100)의 인식 결과 제공부(1720-4)는 인식 데이터 선택부(1720-3)에 의해 선택된 데이터를 서버(1600)로부터 수신된 데이터 인식 모델에 적용하여 환경 데이터의 타겟 크기 결정, 오프될 센서(400)의 선택, 서버(200)로 전송될 환경 데이터의 선택 및 임계 시간의 결정 중 적어도 하나의 동작을 수행할 수 있다.

한편, 상술한 본 개시의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 작성된 프로그램은 매체에 저장될 수 있다.

매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상, 본 개시의 기술적 사상을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 개시의 기술적 사상은 상기 실시예들에 한정되지 않고, 본 개시의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형 및 변경이 가능하다.

100: 전자 장치
110: 메모리
130: 프로세서
200: 서버
300: 통신 모듈
400: 센서

Claims

차량에 장착되어 차량의 기능을 제어하는 전자 장치에 있어서,
적어도 하나의 인스트럭션을 저장하는 메모리; 및
상기 적어도 하나의 인스트럭션에 따라 동작하는 프로세서를 포함하고,
상기 프로세서는,
서버와의 통신 상태를 확인하고,
상기 확인된 통신 상태에 근거하여 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하고,
차량에 장착된 적어도 하나의 센서가 전체 크기가 상기 결정된 타겟 크기 이하인 데이터를 수집하도록 상기 적어도 하나의 센서를 제어하고,
상기 적어도 하나의 센서에 의해 수집된 데이터를 상기 서버로 전송하고,
상기 데이터의 전송에 응답하여 상기 서버에서 수신되는 제어 명령에 따라 상기 차량의 기능을 제어하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서 중 일부의 동작을 오프시키는, 전자 장치.
제2항에 있어서,
상기 프로세서는,
상기 차량의 이동 방향 및 상기 차량의 위치 중 적어도 하나에 근거하여 상기 적어도 하나의 센서 중 동작을 오프시킬 센서를 선택하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서의 센싱 능력을 감소시키는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 데이터의 수집 개시 시점부터 상기 제어 명령의 이행 시점까지의 예상 소요 시간이 임계 시간 이하가 되도록, 상기 타겟 크기를 결정하는, 전자 장치.
제5항에 있어서,
상기 프로세서는,
상기 예상 소요 시간이 상기 임계 시간 이하가 되도록 하는 분석 정확도를 결정하고, 상기 결정된 분석 정확도를 상기 서버로 전송하며,
상기 제어 명령은, 상기 결정된 분석 정확도로 상기 데이터가 분석됨으로써 생성되는, 전자 장치.
제5항에 있어서,
상기 프로세서는,
상기 차량의 속도 및 상기 차량의 위치 중 적어도 하나에 따라 복수의 후보 임계 시간 중 상기 임계 시간을 선택하는, 전자 장치.
제5항에 있어서,
상기 프로세서는,
상기 결정된 타겟 크기 및 상기 임계 시간에 대응하는 자율주행의 안정도(level of stability)를 상기 차량 내 출력 장치를 통해 출력하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 차량의 출발 위치와 도착 위치 사이의 경로 내 구간들에서의 자율 주행의 예측 안정도를 출력 장치를 통해 출력하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 차량의 출발 위치와 도착 위치 사이의 경로들의 예측 안정도의 평균을 고려하여 상기 경로들 중 추천 경로를 선택하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 서버와의 통신 방법에 대응하는 자율주행의 안정도에 따라 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하는 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 적어도 하나의 센서로부터 미리 획득된 데이터가 존재하는 경우, 전체 크기가 상기 결정된 타겟 크기 이하가 되도록 일부의 데이터를 선택하고,
상기 선택한 일부의 데이터를 상기 서버로 전송하는, 전자 장치.
차량에 장착되는 전자 장치에 의한 방법에 있어서,
서버와의 통신 상태를 확인하는 단계;
상기 확인된 통신 상태에 따라 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하는 단계;
차량에 장착된 적어도 하나의 센서가 전체 크기가 상기 결정된 타겟 크기 이하인 데이터를 수집하도록 상기 적어도 하나의 센서를 제어하는 단계;
상기 적어도 하나의 센서에 의해 수집된 데이터를 상기 서버로 전송하는 단계; 및
상기 데이터의 전송에 응답하여 상기 서버에서 수신되는 제어 명령에 따라 상기 차량의 기능을 제어하는 단계를 포함하는, 방법.
제13항에 있어서,
상기 방법은,
전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서 중 일부의 동작을 오프시키는 단계를 더 포함하는, 방법.
제13항에 있어서,
상기 방법은,
전체 크기가 상기 결정된 타겟 크기 이하인 데이터가 수집되도록 상기 적어도 하나의 센서의 센싱 능력을 감소시키는 단계를 더 포함하는, 방법.
제13항에 있어서,
상기 타겟 크기를 결정하는 단계는,
상기 데이터의 수집 개시 시점부터 상기 제어 명령의 이행 시점까지의 예상 소요 시간이 임계 시간 이하가 되도록, 상기 타겟 크기를 결정하는 단계를 포함하는, 방법.
제16항에 있어서,
상기 타겟 크기를 결정하는 단계는,
상기 차량의 속도 및 상기 차량의 위치 중 적어도 하나에 따라 복수의 후보 임계 시간 중 상기 임계 시간을 선택하는 단계를 포함하는, 방법.
제16항에 있어서,
상기 방법은,
상기 결정된 타겟 크기 및 상기 임계 시간에 대응하는 자율주행의 안정도(level of stability)를 상기 차량 내 출력 장치를 통해 출력하는 단계를 더 포함하는, 방법.
제13항에 있어서,
상기 타겟 크기를 결정하는 단계는,
상기 서버와의 통신 방법에 대응하는 자율주행의 안정도에 근거하여 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하는 단계를 포함하는, 방법.
차량에 장착되어 차량의 기능을 제어하는 전자 장치에 있어서,
적어도 하나의 인스트럭션을 저장하는 메모리; 및
상기 적어도 하나의 인스트럭션에 따라 동작하는 프로세서를 포함하고,
상기 프로세서는,
서버와의 통신 상태를 확인하고,
상기 확인된 통신 상태에 근거하여 상기 서버로 전송할 데이터에 대응되는 타겟 크기를 결정하고,
차량에 장착된 적어도 하나의 센서로부터 획득한 데이터 중 전체 크기가 상기 결정된 타겟 크기 이하가 되도록 일부의 데이터를 선택하고,
상기 선택한 일부의 데이터를 상기 서버로 전송하고,
상기 일부의 데이터의 전송에 응답하여 상기 서버에서 수신되는 제어 명령에 따라 상기 차량의 기능을 제어하는 전자 장치.