KR20230036590A - 차량 탑승 인원 모니터링 장치 및 방법 - Google Patents

차량 탑승 인원 모니터링 장치 및 방법 Download PDF

Info

Publication number
KR20230036590A
KR20230036590A KR1020210118491A KR20210118491A KR20230036590A KR 20230036590 A KR20230036590 A KR 20230036590A KR 1020210118491 A KR1020210118491 A KR 1020210118491A KR 20210118491 A KR20210118491 A KR 20210118491A KR 20230036590 A KR20230036590 A KR 20230036590A
Authority
KR
South Korea
Prior art keywords
vehicle
data
unit
occupant
signal
Prior art date
Application number
KR1020210118491A
Other languages
English (en)
Inventor
고수현
Original Assignee
주식회사 에이치엘클레무브
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 에이치엘클레무브 filed Critical 주식회사 에이치엘클레무브
Priority to KR1020210118491A priority Critical patent/KR20230036590A/ko
Priority to US17/882,494 priority patent/US20230072343A1/en
Publication of KR20230036590A publication Critical patent/KR20230036590A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical 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 the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18063—Creeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0881—Seat occupation; Driver or passenger presence
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Transportation (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 고가의 장비의 도움 없이도 차량 내의 승객의 수를 정확하게 예측할 수 있는 차량 탑승 인원 모니터링 장치 및 방법에 관한 것으로, 차량으로부터 수집된 차량 데이터를 제공하기 위한 차량 데이터 제공부(100); 및 상기 차량 데이터 제공부(100)로부터의 차량 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 탑승 인원 예측 서비스부(200)를 포함한다.

Description

차량 탑승 인원 모니터링 장치 및 방법{Vehicle occupant monitoring device and method}
본 발명은 차량의 탑승 인원 모니터링 장치에 관한 것으로, 특히 고가의 장비의 도움 없이도 차량 내의 승객의 수를 정확하게 예측할 수 있는 차량 탑승 인원 모니터링 장치 및 방법에 대한 것이다.
렌터카, 택시 및 공유 차량과 같은 플릿(fleet) 차량 업체의 차량 관리를 위해 차량 내 탑승 인원의 수를 정확히 파악하는 것이 요구된다.
이러한 차량 내 탑승 인원 또는 과적 감지를 위해서는 고가의 초음파 센서 또는 압력 센서 등이 요구된다.
대한민국 등록특허 제10-1584263호 (2016년 1월 5일 등록)
본 발명은 고가의 장비의 도움 없이도 차량 내의 승객의 수를 정확하게 예측할 수 있는 차량 탑승 인원 모니터링 장치 및 방법을 제공하는데 그 목적이 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 차량 탑승 인원 모니터링 장치는, 차량으로부터 수집된 차량 데이터를 제공하기 위한 차량 데이터 제공부(100); 및 상기 차량 데이터 제공부(100)로부터의 차량 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 탑승 인원 예측 서비스부(200)를 포함한다.
상기 차량 데이터는 상기 차량의 관성 측정 신호 및 상기 차량의 진단 신호를 포함한다.
상기 차량 데이터 제공부(100)는, 상기 차량의 관성 측정 장치(810)로부터 상기 관성 측정 신호를 수집하는 관성 신호 수집부(110); 상기 차량의 온-보드 진단부로부터 상기 진단 신호를 수집하는 진단 신호 수집부(120); 및 상기 관성 신호 수집부(110)로부터의 관성 신호 및 상기 진단 신호 수집부(120)로부터의 진단 신호를 취합하는 데이터 취합부(130)를 포함한다.
상기 관성 신호는 상기 차량의 횡방향 가속도, 상기 차량의 종방향 가속도, 상기 차량의 수직방향 가속도, 상기 차량의 요(yaw), 상기 차량의 롤(roll) 및 상기 차량의 피치(pitch)를 포함하며; 그리고, 상기 진단 신호는 상기 차량의 차속, 상기 차량의 스로틀 밸브의 개도량, 상기 차량의 엔진 회전수, 상기 차량의 엔진 토크, 상기 차량의 슬로프, 상기 차량의 휠 속도 및 상기 차량의 조향 신호를 포함한다.
상기 탑승 인원 예측 서비스부(200)는, 상기 차량 데이터 제공부(100)로부터의 차량 데이터를 근거로 특징 데이터를 추출하는 특징 추출부(300); 상기 특징 추출부(300)로부터의 특징 데이터를 인공 지능 방식으로 분석하여 상기 차량 탑승 인원을 예측하는 탑승 인원 예측부(400); 상기 차량 데이터에 대응되는 차량 탑승 인원을 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값이 미리 저장되며, 상기 모델 설정값 중 상기 차량 데이터의 통계치를 상기 탑승 인원 예측부(400)로 제공하는 설정값 저장부(600); 및 상기 설정값 저장부(600)로부터의 모델 설정값 중 차량 데이터의 가중치 및 편향치를 상기 탑승 인원 예측부(400)로 로딩하는 설정값 로딩부(500)를 포함한다.
상기 특징 추출부(300)는, 상기 외부로부터 입력된 차량 데이터를 저장하는 원본 저장부(310); 및 상기 원본 저장부(310)의 차량 데이터로부터 특징 데이터를 추출하는 데이터 추출부(320)를 포함한다.
상기 탑승 인원 예측 서비스부(200)는 상기 탑승 인원 예측부(400)로부터 예측된 차량 탑승 인원의 값을 저장하는 예측값 저장부(700)를 더 포함한다.
상기 데이터 추출부(320)는, 상기 원본 저장부(310)의 차량 데이터 및 상기 차량의 무게 중심을 근거로, 보정된 관성 신호를 생성하는 데이터 보정부(321); 상기 원본 저장부(310)의 차량 데이터를 근거로, 상기 차량의 차속을 산출하는 차속 산출부(322); 상기 원본 저장부(310)의 차량 데이터 및 상기 보정된 관성 신호를 근거로, 상기 차량의 슬로프를 산출하는 슬로프 산출부(323); 상기 원본 저장부(310)의 차량 데이터 및 상기 보정된 관성 신호를 근거로, 상기 차량의 횡방향 속도를 산출하는 횡방향 속도 산출부(324); 상기 원본 저장부(310)의 차량 데이터를 근거로, 상기 차량에 가해진 수량을 산출하는 강우 여부 판단부(325); 상기 원본 저장부(310)의 차량 데이터를 근거로, 상기 차량의 연료 무게를 산출하는 연료 무게 산출부(326); 및 상기 데이터 보정부(321)로부터의 보정된 관성 신호, 상기 차속 산출부(322)로부터의 차속, 상기 슬로프 산출부(323)로부터의 슬로프, 상기 횡방향 속도 산출부(324)로부터의 횡방향 속도, 상기 강우 여부 판단부(325)로부터의 수량 및 상기 연료 무게 산출부(326)로부터의 연료 무게를 취합하여 특징 데이터를 생성하고, 이 생성된 특징 데이터를 하나의 데이트 세트로서 출력하는 데이터 취합부(130)를 포함한다.
상기 탑승 인원 예측부(400)는, 설정값 저장부(600)로부터 제공된 차량 데이터의 평균 및 표준 편차를 근거로 상기 특징 추출부(300)로부터의 특징 데이터를 정규화하는 정규화부(410); 상기 설정값 저장부(600)로부터 로딩된 차량 데이터의 가중치 및 편향치를 근거로 탑승 인원 예측 모델을 생성하는 모델 생성부(420); 및 상기 모델 생성부(420)로부터의 탑승 인원 예측 모델에 상기 정규화부(410)로부터의 정규화된 특징 데이터를 입력하여 상기 차량 탑승 인원의 값을 출력하는 예측값 출력부(430)를 포함한다.
상기 차량의 이동을 감지하여, 상기 차량 데이터 제공부(100)가 상기 차량으로부터 상기 차량 데이터를 수집 및 취합하도록 지시하는 지시부(820)를 더 포함한다.
또한, 상기와 같은 목적을 달성하기 위한 본 발명에 따른 차량 탑승 인원 모니터링 방법은, 차량으로부터 수집된 차량 데이터를 제공하는 단계; 및 상기 제공된 차량 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 단계를 포함한다.
상기 차량 데이터를 제공하는 단계는, 상기 차량의 관성 측정 장치(810)로부터 상기 관성 측정 신호를 수집하는 단계; 상기 차량의 온-보드 진단부로부터의 상기 진단 신호를 수집하는 단계; 및 상기 관성 신호 수집부(110)로부터의 관성 신호 및 상기 진단 신호 수집부(120)로부터의 진단 신호를 취합하는 단계를 포함한다.
상기 차량 데이터에 대응되는 차량 탑승 인원을 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값을 미리 저장하는 단계를 더 포함하고; 상기 탑승 인원을 예측하는 단계는, 상기 제공된 차량 데이터를 근거로 특징 데이터를 추출하는 단계; 및 상기 모델 설정값을 근거로 설정된 탑승 인원 예측 모델을 통해 상기 추출된 특징 데이터를 인공 지능 방식으로 분석하여 상기 차량 탑승 인원을 예측하는 단계를 포함한다.
상기 특징 데이터를 추출하는 단계는, 상기 외부로부터 입력된 차량 데이터를 저장하는 단계; 및 상기 저장된 차량 데이터로부터 특징 데이터를 추출하는 단계를 포함한다.
상기 예측된 차량 탑승 인원의 값을 저장하는 단계를 더 포함한다.
상기 특징 데이터를 추출하는 단계는, 상기 저장된 차량 데이터 및 상기 차량의 무게 중심을 근거로 관성 신호 보정하여 보정 관성 신호를 생성하는 단계; 상기 저장된 차량 데이터를 근거로 상기 차량의 차속을 산출하는 단계; 상기 저장된 차량 데이터 및 상기 보정 관성 신호를 근거로 상기 차량의 슬로프를 산출하는 단계; 상기 저장된 차량 데이터 및 상기 보정 관성 신호를 근거로 상기 차량의 횡방향 속도를 산출하는 단계; 상기 저장된 차량 데이터를 근거로 상기 차량에 가해진 수량을 산출하는 단계; 상기 저장된 차량 데이터를 근거로 상기 차량의 연료 무게를 산출하는 단계; 및 상기 산출된 보정 관성 신호, 상기 차속, 상기 슬로프, 상기 횡방향 속도, 상기 수량 및 상기 연료 무게를 취합하여 특징 데이터를 생성하고, 이 생성된 특징 데이터를 하나의 데이트 세트로서 출력하는 단계를 포함한다.
상기 추출된 특징 데이터를 인공 지능 방식으로 분석하여 상기 차량 탑승 인원을 예측하는 단계는, 상기 모델 설정값에 포함된 차량 데이터의 평균 및 표준 편차를 근거로 상기 특징 추출부(300)로부터의 특징 데이터를 정규화하는 단계; 상기 모델 설정값에 포함된 차량 데이터의 가중치 및 편향치를 근거로 탑승 인원 예측 모델을 생성하는 단계; 및 상기 탑승 인원 예측 모델에 상기 정규화된 특징 데이터를 입력하여 상기 차량 탑승 인원의 값을 출력하는 단계를 포함한다.
상기 차량의 이동을 감지하여, 상기 차량으로부터 상기 차량 데이터를 수집 및 취합하도록 지시하는 단계를 더 포함한다.
본 발명의 차량 탑승 인원 모니터링 장치 및 방법에 따르면, 차량 데이터(예를 들어, 차량의 CAN 데이터)를 인공 지능 방식으로 분석하고 기계 학습에 의한 모델을 통해 차량 탑승 인원(예를 들어, 차량 내의 승객의 수)을 정확하게 예측할 수 있다.
따라서, 본 발명에 따른 차량 탑승 인원 모니터링 장치 및 방법은 차량 탑승 인원을 정확하고 빠르게 판단할 수 있다.
또한, 이로 인해, 본 발명에 따른 차량 탑승 인원 모니터링 장치 및 방법은 고가의 장비를 요구하지 않으므로, 차량 탑승 인원을 확인하는데 있어서 비용이 저감될 수 있다.
본 발명의 차량 탑승 인원 모니터링 장치 및 방법은, 예를 들어, 렌터카, 택시 및 공유 차량과 같은 플릿(fleet) 차량 업체에 활용될 수 있다.
도 1은 본 발명의 한 실시예에 따른 차량 탑승 인원 모니터링 장치의 블록 구성도이다.
도 2는 차량 단말기의 블록 구성도이다.
도 3은 도 1의 탑승 인원 예측 서비스부의 상세 블록 구성도이다.
도 4는 도 3의 데이터 추출부의 상세 블록 구성도이다.
도 5는 도 3의 탑승 인원 예측부의 상세 블록 구성도이다.
도 6은 본 발명의 한 실시예에 따른 차량 탑승 인원 모니터링 방법을 설명하기 위한 순서도이다.
도 7은 도 6의 차량 데이터를 제공하는 단계를 설명하기 위한 순서도이다.
도 8은 도 6의 탑승 인원을 예측하는 단계를 설명하기 위한 순서도이다.
도 9는 도 8의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.
도 10은 도 9의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.
도 11은 도 8의 인공 지능 방식으로 차량 탑승 인원을 예측하는 단계를 설명하기 위한 순서도이다.
도 12는 본 발명의 차량 탑승 인원 예측 모델에 적용된 가중치 및 편향치를 매개 변수로 갖는 손실 함수를 나타낸 도면이다.
도 13은 본 발명의 차량 탑승 인원 예측 모델의 예측값과 실제값 사이의 오차 빈도를 나타낸 히스토그램 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예에서, 잘 알려진 공정 단계들, 잘 알려진 소자 구조 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도면에서 여러 층 및 영역을 명확하게 표현하기 위하여 두께를 확대하여 나타내었다. 명세서 전체를 통하여 유사한 부분에 대해서는 동일한 도면 부호를 붙였다.
본 명세서에서 제 1, 제 2, 제 3 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 이러한 구성 요소들은 상기 용어들에 의해 한정되는 것은 아니다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소들로부터 구별하는 목적으로 사용된다. 예를 들어, 본 발명의 권리 범위로부터 벗어나지 않고, 제 1 구성 요소가 제 2 또는 제 3 구성 요소 등으로 명명될 수 있으며, 유사하게 제 2 또는 제 3 구성 요소도 교호적으로 명명될 수 있다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 도 1 내지 도 13을 참조로 본 발명에 따른 차량 탑승 인원 모니터링 장치 및 방법을 상세히 설명하면 다음과 같다.
도 1은 본 발명의 한 실시예에 따른 차량 탑승 인원 모니터링 장치의 블록 구성도이고, 도 2는 차량 단말기(800)의 블록 구성도이다.
본 발명의 한 실시예에 따른 차량 탑승 인원 모니터링 장치는, 도 1에 도시된 예와 같이, 지시부(820), 차량 데이터 제공부(100) 및 탑승 인원 예측 서비스부(200)를 포함할 수 있다. 여기서, 전술된 지시부(820) 및 차량 데이터 제공부(100)는 차량에 배치될 수 있으며, 그리고 전술된 탑승 인원 예측 서비스부(200)는, 예를 들어 웹서비스 기반으로 제공될 수 있다.
지시부(820)는 차량의 이동을 감지하고, 이 감지 결과를 근거로 트리거 신호의 출력 여부를 결정할 수 있다. 지시부(820)는, 도 2에 도시된 예와 같이, 차량의 단말기(800) 내에 내장될 수 있다. 단말기(800)는 내부에 관성 측정 장치(810)를 포함하고 있는 바, 차량의 가속 페달이 가압되어 차량이 움직이면 관성 측정 장치(810)는 이러한 차량의 움직임을 감지하여 감지 신호(예를 들어, 종방향 가속도의 변화량)를 출력한다. 이때, 이 관성 측정 장치(810)로부터의 감지 신호는 그 단말기(800) 내부의 지시부(820)로 전송되고, 지시부(820)는 그 전송된 감지 신호를 근거로 차량의 이동을 인식할 수 있다. 지시부(820)는 그러한 감지 신호의 입력 결과로서 트리거 신호를 출력한다. 다시 말하여, 이 트리거 신호는 차량이 이동하고 있음을 알리는 신호일 수 있다. 지시부(820)로부터의 트리거 신호는 차량 데이터 제공부(100)로 전송될 수 있다.
차량 데이터 제공부(100)는 지시부(820)로부터의 트리거 신호에 응답하여 차량으로부터 차량 데이터를 수집 및 취합하고, 그 취합된 차량 데이터를 탑승 인원 예측 서비스부(200)로 전송할 수 있다.
전술된 차량 데이터는 차량의 각종 전자 부품들(및/또는 전자 제어 유닛들) 간의 통신을 위한 CAN(Control Area Network) 데이터로서, 이러한 차량 데이터는, 예를 들어, 차량의 무게에 영향을 줄 수 있는 종방향 특징 데이터, 횡방향 특징 데이터, 수직방향 특징 데이터 및 환경 변수 특징 데이터를 포함할 수 있다.
전술된 종방향 특징 데이터는, 예를 들어, 차량의 스로틀 밸브(throttle valve)의 개도량(예를 들어, 스로틀 밸브의 위치), 차량의 엔진 회전수, 차량의 엔진 토크, 차량의 차속, 차량의 종방향 가속도, 차량의 슬로프(slope), 차량의 피치(pitch) 및 차량의 휠 슬립(wheel slip)을 포함할 수 있다. 여기서, 종방향은 차량의 진행 방향과 평행한 방향을 의미한다. 예를 들어, 차량의 앞쪽과 차량의 뒤쪽을 잇는 축을 x축으로 가정할 때, 전술된 종방향은 이 x축을 따르는 방향을 의미한다. 차량의 슬로프는 지면에 대하여 차량이 기울어진 각을 의미한다. 예를 들어, 차량의 슬로프는 차량이 위치한 지면과 그 차량의 종축(즉, x축) 사이의 각을 의미한다. 한편, 위에 열거된 종방향 특징 데이터들의 물리량은, 예를 들어 평균값을 의미할 수 있다. 구체적인 하나의 예로서, 차량의 차속은 미리 설정된 일정 기간 내에서의 평균 차속일 수 있다.
전술된 횡방향 특징 데이터는, 예를 들어, 차량의 조향 장치의 조향각, 차량의 요(yaw 또는 yaw rate), 차량의 롤, 차량의 횡방향 속도(lateral speed), 차량의 횡방향 가속도를 포함할 수 있다. 여기서, 횡방향은 차량의 측면들을 잇는 방향을 의미한다. 예를 들어, 차량의 좌측 측면과 그 좌측 측면을 마주보는 차량의 우측 측면을 잇는 축을 y축으로 가정할 때, 전술된 종방향은 이 y축을 따르는 방향을 의미한다. y축은 x축과 수직으로 교차한다. 한편, 위에 열거된 횡방향 특징 데이터들의 물리량은, 예를 들어 평균값을 의미할 수 있다. 구체적인 하나의 예로서, 차량의 횡방향 가속도는 미리 설정된 일정 기간 내에서의 평균 횡방향 가속도일 수 있다. 한편, 조향 장치의 조향각은, 예를 들어, 차량의 조향각 센서(steering angle sensor)에 의해 검출될 수 있다.
전술된 수직방향 특징 데이터는, 예를 들어, 차량의 수직방향 가속도를 포함할 수 있다. 여기서, 수직방향은 차량의 하부면과 상부면을 잇는 방향을 의미한다. 예를 들어, 차량의 하부면과 그 하부면을 마주보는 차량의 상부면을 잇는 축을 z축으로 가정할 때, 전술된 수직방향은 이 z축을 따르는 방향을 의미한다. z축은 xy평면(즉, 전술된 x축과 y축에 의해 이루어진 평면)에 수직한다. 한편, 수직방향 특징 데이터들의 물리량은, 예를 들어 평균값을 의미할 수 있다. 구체적인 하나의 예로서, 차량의 수직방향 가속도는 미리 설정된 일정 기간 내에서의 평균 수직방향 가속도일 수 있다. 한편, 이 수직방향 가속도는 차량의 서스펜션 및 타이어 등에 의해 영향을 받을 수 있다.
전술된 환경 변수 특징 데이터는, 예를 들어, 차량의 무게(예를 들어, 차량의 공차 중량), 차량의 구동계 정보(drivetrain 정보; 예를 들어, 차량의 엔진 배기량 및 차량의 트랜스미션 타입 등), 차량의 연료 무게(또는 연료량), 차량 식별 번호, 차량의 적산 거리(또는 주행 거리), 차량의 외기 온도, 날씨(예를 들어, 비 또는 눈) 및 타임 스탬프(time stamp)를 포함할 수 있다. 여기서, 타임 스탬프는 차량 데이터 제공부(100)가 차량으로부터 차량 데이터를 수집한 시각을 포함할 수 있다. 그리고, 날씨 정보는 비와 같은 수량 정보를 포함할 수 있는 바, 이때 이러한 수량 정보는, 예를 들어, 차량의 레인 센서로부터 획득될 수 있다.
이와 같은 차량 데이터를 수집하는 차량 데이터 제공부(100)는, 예를 들어, 관성 신호 수집부(110) 및 진단 신호 수집부(120)를 포함할 수 있다.
관성 신호 수집부(110)는 관성 측정 장치(810)로부터 관성 신호를 수집할 수 있다. 예를 들어, 관성 신호 수집부(110)는, 지시부(820)로부터의 트리거 신호에 응답하여, 관성 측정 장치(810)로부터 관성 신호를 수집할 수 있다. 관성 신호는, 예를 들어, 전술된 종방향 가속도(예를 들어, Ax), 횡방향 가속도(예를 들어, Ay), 수직방향 가속도(예를 들어, Az), 요(yaw), 롤 및 피치를 포함할 수 있다.
진단 신호 수집부(120)는 차량의 온-보드 진단부로부터의 진단 신호를 수집할 수 있다. 예를 들어, 진단 신호 수집부(120)는, 지시부(820)로부터의 트리거 신호에 응답하여, 온-보드 진단부(OBD; On Board Diagnostic)를 통해 진단 신호를 수집할 수 있다. 진단 신호는, 예를 들어, 전술된 차속, 스로틀 밸브의 개도량, 엔진 회전수, 엔진 토크, 슬로프, 차량의 휠 속도 및 조향각을 포함할 수 있다. 여기서, 휠 속도는 차량의 전방 좌측 휠의 속도, 전방 우측 휠의 속도, 후방 좌측 휠의 속도 및 후방 우측 휠의 속도를 포함할 수 있다. 한편, 이 외에도, 진단 신호는, 예를 들어, 휠 슬립, 횡방향 속도, 수직방향 가속도, 차량의 무게, 차량의 구동계 정보, 차량의 연료 무게, 차량 식별 번호, 차량의 적산 거리, 차량의 외기 온도, 날씨 정보 및 타임 스탬프 중 적어도 하나를 더 포함할 수 있다.
데이터 취합부(130)는 관성 신호 수집부(110)로부터의 관성 신호 및 진단 신호 수집부(120)로부터의 진단 신호를 취합할 수 있다. 예를 들어, 데이터 취합부(130)는, 지시부(820)로부터의 트리거 신호에 응답하여, 관성 신호 수집부(110)로부터의 관성 신호 및 진단 신호 수집부(120)로부터의 진단 신호를 취합하고, 그리고 그 취합된 차량 데이터(즉, 관성 신호 및 진단 신호를 포함하는 차량 데이터)를 탑승 인원 예측 서비스부(200)로 제공할 수 있다. 예를 들어, 데이터 취합부(130)는 종방향 가속도, 횡방향 가속도, 수직방향 가속도, 요(yaw), 롤, 피치, 차속, 스로틀 밸브의 개도량, 엔진 회전수, 엔진 토크, 슬로프, 휠 속도 및 조향각을 하나의 데이터 세트로서 취합하고, 그리고 이 취합된 차량 데이터를 탑승 인원 예측 서비스부(200)로 제공할 수 있다.
탑승 인원 예측 서비스부(200)는 차량 데이터 제공부(100)로부터의 차량 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측할 수 있다. 예를 들어, 탑승 인원 예측 서비스부(200)는 차량 데이터 제공부(100)의 데이터 취합부(130)로부터 차량 데이터를 수신하고, 그 수신된 차량 데이터를 인공 지능 방식으로 분석함으로써 차량에 타고 있는 인원의 수를 예측할 수 있다. 여기서, 탑승객의 수는 운전자를 제외한 수를 의미할 수 있다. 이와 같은 경우, 전술된 공차 중량은 차량의 운전자를 포함한 차의 무게를 의미할 수 있다.
도 3은 도 1의 탑승 인원 예측 서비스부(200)의 상세 블록 구성도이다.
탑승 인원 예측 서비스부(200)는, 도 3에 도시된 예와 같이, 특징 추출부(300), 탑승 인원 예측부(400), 설정값 저장부(600) 및 설정값 로딩부(500)를 포함할 수 있다. 이를 위해, 특징 추출부(300)는, 예를 들어, 원본 저장부(310) 및 데이터 추출부(320)를 포함할 수 있다.
원본 저장부(310)는 외부로부터 입력된 차량 데이터를 저장할 수 있다. 예를 들어, 이 원본 저장부(310)에는 전술된 하나의 데이터 세트로 취합된 종방향 가속도, 횡방향 가속도, 수직방향 가속도, 요(yaw), 롤, 피치, 차속, 스로틀 밸브의 개도량, 엔진 회전수, 엔진 토크, 슬로프, 휠 속도 및 조향각이 저장될 수 있다. 한편, 이 외에도 이 원본 저장부(310)에는 휠 슬립, 횡방향 속도, 수직방향 가속도, 차량의 무게, 차량의 구동계 정보, 차량의 연료 무게, 차량 식별 번호, 차량의 적산 거리, 차량의 외기 온도, 날씨 정보 및 타임 스탬프 중 적어도 하나가 더 저장될 수 있다.
데이터 추출부(320)는 원본 저장부(310)에 저장된 차량 데이터로부터 특징 데이터를 추출할 수 있다. 이 특징 데이터는, 예를 들어, 보정 관성 신호, 보정 차속, 보정 슬로프, 보정 횡방향 속도, 수량 및 연료량을 포함할 수 있다. 여기서, 보정 관성 신호는 차량의 무게 중심을 근거로 보정된 관성 신호를 의미하며, 보정 차속은 그 보정 관성 신호(특히, 종방향 가속도 및 횡방향 가속도)를 근거로 보정된 차속을 의미하며, 보정 슬로프는 그 보정된 관성 신호를 근거로 보정된 슬로프를 의미하며, 그리고 보정 횡방향 속도는 그 보정 관성 신호를 근거로 보정된 횡방향 속도를 의미한다.
탑승 인원 예측부(400)는 특징 추출부(300)로부터의 특징 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측할 수 있다.
설정값 저장부(600)는 차량 데이터에 대응되는 차량 탑승 인원을 추론하도록 인공 지능 방식의 기계 학습으로 산출된 모델 설정값이 미리 저장된다. 모델 설정값은, 예를 들어, 차량 데이터의 통계치, 차량 데이터의 가중치 및 차량 데이터의 편향치를 포함할 수 있다. 이때, 설정값 저장부(600)는 모델 설정값 중 차량 데이터의 통계치를 탑승 인원 예측부(400)로 제공할 수 있다. 한편, 모델 설정값의 통계치는, 예를 들어, 차량 데이터의 평균 및 차량 데이터의 표준 편차를 포함할 수 있다.
설정값 저장부(600)는 미리 설정된 모델 설정값을 저장할 수 있다. 이 모델 설정값은 설정값 저장부(600)에 미리 저장된 데이터이다.
전술된 모델 설정값은, 예를 들어, 차량 데이터에 대응되는 차량의 탑승 인원의 수를 추론할 수 있도록 인공 지능 방식의 기계 학습을 통해 산출될 수 있다. 구체적인 예로서, 전술된 모델 설정값은 미리 설정된 학습용 데이터에 대한 기계 학습을 통해 산출될 수 있다. 여기서, 학습용 데이터는 전술된 차량 데이터에 대응되는 데이터(또는 데이터 세트)일 수 있다. 이 학습용 데이터를 통한 기계 학습을 통해, 모델 학습부는 전술된 차량 데이터에 대응되는 차량 탑승 인원의 수를 추론 가능하도록 하는 모델 설정값을 생성할 수 있다. 예를 들어, 이 모델 설정값은 손실 함수(또는 비용 함수)의 값을 최소화하는 가중치 및 편향치를 포함할 수 있다.
이를 위해, 모델 학습부는, 예를 들어, 학습용 특징 추출부 및 설정값 생성부를 포함할 수 있다.
학습용 특징 추출부는 학습용 데이터로부터 학습용 특징 데이터를 추출할 수 있다.
설정값 생성부는 학습용 특징 추출부로부터의 학습용 특징 데이터를 근거로 학습 모델을 생성하고, 그 생성된 학습 모델을 학습시켜 모델 설정값을 생성할 수 있다. 한편, 학습용 데이터는 차량 데이터와 달리 차량 탑승 인원의 수에 대한 정보를 더 포함할 수 있는 바, 이 차량 탑승 인원의 수는 라벨(또는 레이블; label)을 포함한다. 즉, 학습용 데이터는 입력 데이터의 클래스(예를 들어, 차량 탑승 인원의 수)에 해당하는 라벨을 포함할 수 있다.
기계 학습 모델은 특정 유형의 패턴을 인식하도록 학습된 파일로서, 데이터 세트(예를 들어, 전술된 입력 데이터)에 대해 모델을 학습하여 해당 데이터를 추론하고 학습하는데 사용할 수 있는 알고리즘을 제공한다. 모델을 학습한 후에는 이를 사용하여 이전에 표시되지 않은(즉, 라벨이 포함되지 않은) 입력 데이터를 추론하고 해당 입력 데이터에 대한 예측(예를 들어, 클래스 예측)을 만들 수 있다.
한편, 기계 학습 모델은, 예를 들어, 딥 러닝(deep learning), 뉴럴 네트워크(Neural Network), 컨볼루션 뉴럴 네트워크(Convolution Neural Network) 및 리커런트 뉴럴 네트워크(Recurrent Neural Network) 등과 같은 인공 신경망을 포함할 수 있다.
이러한 기계 학습은, 미리 알려진 특징 데이터에 기반하여 주어진 입력 데이터(예를 들어, 라벨을 포함하지 않는 차량 데이터)가 각각 미리 설정된 복수의 클래스들(예를 들어, 예측 가능한 차량 탑승 인원의 수) 중 어느 하나의 클래스에 각각 속해 있다고 가정했을 때, 새로운 입력 데이터가 그러한 복수의 클래스들 중 어느 클래스에 속하는지 결정하는 것을 목표로 할 수 있다.
설정값 로딩부(500)는 설정값 저장부(600)로부터의 모델 설정값 중 차량 데이터의 가중치 및 편향치를 탑승 인원 예측부(400)로 로딩할 수 있다.
예측값 저장부(700)는 탑승 인원 예측부(400)로부터 예측된 차량 탑승 인원의 수를 저장한다.
한편, 전술된 원본 저장부(310), 예측값 저장부(700) 및 설정값 저장부(600)는, 예를 들어, 웹서비스의 저장소에 배치될 수 있다. 또한, 전술된 데이터 추출부(320), 탑승 인원 예측부(400) 및 설정값 로딩부(500)는, 예를 들어, 웹서비스의 가상 컴퓨터에 배치될 수 있다.
도 4는 도 3의 데이터 추출부(320)의 상세 블록 구성도이다.
데이터 추출부(320)는, 도 4에 도시된 예와 같이, 데이터 보정부(321), 차속 산출부(322), 슬로프 산출부(323), 횡방향 속도 산출부(324), 강우 여부 판단부(325) 및 연료 무게 산출부(326)를 포함할 수 있다.
데이터 보정부(321)는 원본 저장부(310)의 차량 데이터 및 차량의 무게 중심을 근거로 보정된 관성 신호를 생성할 수 있다. 즉, 관성 측정 장치(810)가 내장된 단말기(800)는 일반적으로 차량 내부의 앞쪽(예를 들어, 대시보드(dashboard))에 위치하므로, 관성 측정 장치(810)로부터의 관성 신호가 차량의 이동 정보를 정확하게 반영할 수 없다. 다시 말하여, 단말기(800)에 내장된 관성 측정 장치(810)는 그 단말기(800)의 배치 위치로 인해 차량의 무게 중심에 위치할 수 없는 바, 이로 인해 관성 측정 장치(810)로부터의 관성 신호는 정확하지 않을 수 있다. 이에 전술된 데이터 보정부(321)는 차량 데이터 중 관성 신호, 예를 들어 원본 저장부(310)로부터의 종방향 가속도, 횡방향 가속도, 수직방향 가속도, 요(yaw), 롤 및 피치를 차량의 무게 중심을 근거로 보정할 수 있다.
차속 산출부(322)는 원본 저장부(310)의 차량 데이터 및 전술된 보정 관성 신호를 근거로 차량의 차속을 산출한다. 예를 들어, 차속 산출부(322)는 복수의 휠들 중 가장 빨리 회전하는 휠의 휠속도를 근거로 차속을 산출할 수 있다. 그리고, 차속 산출부(322)는 이 산출된 차속을 종방향 가속도 및 횡방향 가속도를 근거로 보정하여 출력한다.
슬로프 산출부(323)는 원본 저장부(310)의 차량 데이터 및 보정된 관성 신호를 근거로 슬로프를 산출할 수 있다.
횡방향 속도 산출부(324)는 원본 저장부(310)의 차량 데이터 및 보정된 관성 신호를 근거로 차량의 횡방향 속도를 산출할 수 있다.
강우 여부 판단부(325) 원본 저장부(310)의 차량 데이터를 근거로 차량에 가해진 수량을 산출할 수 있다. 예를 들어, 이 수량은 레인 센서에 의해 측정될 수 있다.
연료 무게 산출부(326)는 원본 저장부(310)의 차량 데이터를 근거로 차량의 연료 무게를 산출할 수 있다.
데이터 취합부(327)는 데이터 보정부(321)로부터의 보정된 관성 신호, 차속 산출부(322)로부터의 차속, 슬로프 산출부(323)로부터의 슬로프, 횡방향 속도 산출부(324)로부터의 횡방향 속도, 강우 여부 판단부(325)로부터의 수량 및 연료 무게 산출부(326)로부터의 연료 무게를 취합하여 특징 데이터를 생성하고, 그리고 이 생성된 특징 데이터를 하나의 데이트 세트로서 출력할 수 있다.
도 5는 도 3의 탑승 인원 예측부(400)의 상세 블록 구성도이다.
탑승 인원 예측부(400)는, 도 5에 도시된 예와 같이, 정규화부(410), 모델 생성부(420) 및 예측값 출력부(430)를 포함할 수 있다.
정규화부(410)는 설정값 저장부(600)로부터 제공된 차량 데이터의 평균 및 표준 편차를 근거로 특징 추출부(300)로부터의 특징 데이터를 정규화(normalization)할 수 있다.
모델 생성부(420)는 설정값 저장부(600)로부터 로딩된 차량 데이터의 가중치 및 편향치를 근거로 탑승 인원 예측 모델을 생성할 수 있다.
예측값 출력부(430)는 모델 생성부(420)로부터의 탑승 인원 예측 모델에 정규화부(410)로부터의 정규화된 특징 데이터를 입력하여 차량 탑승 인원의 값을 출력할 수 있다. 한편, 예측값 출력부(430)로부터의 차량 탑승 인원의 값은 클라우드 시스템을 통해 고객에게 전달될 수 있다. 고객은, 예를 들어 렌터카, 택시 및 공유 차량과 같은 플릿(fleet) 차량 업체일 수 있다. 또한, 예측값 출력부(430)로부터의 차량 탑승 인원의 값은 웹서비스의 저장소, 예를 들어 예측값 저장부(700)에 저장될 수 있다.
도 6은 본 발명의 한 실시예에 따른 차량 탑승 인원 모니터링 방법을 설명하기 위한 순서도이다.
본 발명의 한 실시예에 따른 차량 탑승 인원 모니터링 방법은 아래와 같은 단계들을 포함할 수 있다.
예를 들어, 도 6에 도시된 바와 같이, 본 발명의 한 실시예에 따른 차량 탑승 인원 모니터링 방법에 따르면, 먼저 차량으로부터 수집된 차량 데이터를 제공하는 단계(S100)가 수행된다.
이후, 그 제공된 차량 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 단계(S200)가 수행된다.
한편, 추가로 그 예측된 결과(즉, 예측된 차량 탑승 인원)를 저장하는 단계(S300)가 더 수행될 수 있다.
또 한편, 전술된 차량 데이터를 제공하는 단계에 앞서, 차량의 이동을 감지하여, 차량으로부터 차량 데이터를 수집 및 취합하도록 지시하는 단계가 수행될 수 있다.
도 7은 도 6의 차량 데이터를 제공하는 단계를 설명하기 위한 순서도이다.
전술된 차량 데이터를 제공하는 단계는 도 7에 도시된 바와 같은 단계들을 포함할 수 있다.
즉, 먼저 차량의 관성 측정 장치(810)로부터 관성 측정 신호를 수집하는 단계(S110)가 수행된다.
다음으로, 차량의 온-보드 진단부로부터 진단 신호를 수집하는 단계(S120)가 수행된다.
이후, 관성 신호 수집부(110)로부터의 관성 신호 및 진단 신호 수집부(120)로부터의 진단 신호를 취합하는 단계(S130)가 수행된다.
도 8은 도 6의 탑승 인원을 예측하는 단계를 설명하기 위한 순서도이다.
전술된 탑승 인원을 예측하는 단계는 도 8에 도시된 바와 같은 단계들을 포함할 수 있다.
먼저, 제공된 차량 데이터를 근거로 특징 데이터를 추출하는 단계(S210)가 수행된다.
이후, 모델 설정값을 근거로 설정된 탑승 인원 예측 모델을 통해, 그 추출된 특징 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 단계(S220)가 수행된다.
도 9는 도 8의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.
전술된 특징 데이터를 추출하는 단계는 도 9에 도시된 바와 같은 단계들을 포함할 수 있다.
먼저, 외부로부터 입력된 차량 데이터를 저장하는 단계(S211)가 수행된다.
이후, 그 저장된 차량 데이터로부터 특징 데이터를 추출하는 단계(S212)가 수행된다.
도 10은 도 9의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.
전술된 특징 데이터를 추출하는 단계는 도 10에 도시된 바와 같은 단계들을 포함할 수 있다.
먼저, 저장된 차량 데이터 및 차량의 무게 중심을 근거로 관성 신호 보정하여 보정 관성 신호를 생성하는 단계(S510)가 수행된다.
이어서, 그 저장된 차량 데이터를 근거로 차량의 차속을 산출하는 단계(S520)가 수행된다.
이후, 그 저장된 차량 데이터 및 보정 관성 신호를 근거로 차량의 슬로프를 산출하는 단계(S530)가 수행된다.
다음으로, 그 저장된 차량 데이터 및 보정 관성 신호를 근거로 차량의 횡방향 속도를 산출하는 단계(S540)가 수행된다.
이어서, 그 저장된 차량 데이터를 근거로 차량에 가해진 수량을 산출하는 단계(S550)가 수행된다.
이후, 그 저장된 차량 데이터를 근거로 상기 차량의 연료 무게를 산출하는 단계(S560)가 수행된다.
다음으로, 그 산출된 보정 관성 신호, 차속, 슬로프, 횡방향 속도, 수량 및 연료 무게를 취합하여 특징 데이터를 생성하고, 그리고 그 생성된 특징 데이터를 하나의 데이트 세트로서 출력하는 단계(S570)가 수행된다.
도 11은 도 8의 인공 지능 방식으로 차량 탑승 인원을 예측하는 단계를 설명하기 위한 순서도이다.
전술된 추출된 특징 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 단계는 도 11에 도시된 바와 같은 단계들을 포함할 수 있다.
먼저, 모델 설정값에 포함된 차량 데이터의 평균 및 표준 편차를 근거로 특징 추출부(300)로부터의 특징 데이터를 정규화하는 단계(S710)가 수행된다.
이후, 그 모델 설정값에 포함된 차량 데이터의 가중치 및 편향치를 근거로 탑승 인원 예측 모델을 생성하는 단계(S720)가 수행된다.
다음으로, 탑승 인원 예측 모델에 정규화된 특징 데이터를 입력하여 차량 탑승 인원의 값을 출력하는 단계(S730)가 수행된다.
도 12는 본 발명의 차량 탑승 인원 예측 모델에 적용된 가중치 및 편향치를 매개 변수로 갖는 손실 함수를 나타낸 도면이다.
본 발명의 설정값 저장부(600)에 저장된 가중치 및 편향치는, 도 12에 도시된 바와 같이, 손실 함수의 값을 최소화하는 값으로 최적화된 값이다.
도 12에 도시된 바와 같이, 본 발명의 차량 탑승 인원 예측 모델의 손실 함수(G1)와 레이블을 포함하는 학습 데이터에 의한 손실 함수(G2)가 유사하며, 또한 0으로 수렴하는 바, 이에 따라 본 발명의 차량 탑승 인원 예측 모델의 예측 값이 상당히 정확함을 알 수 있다.
도 13은 본 발명의 차량 탑승 인원 예측 모델의 예측값과 실제값 사이의 오차 빈도를 나타낸 히스토그램 그래프이다.
도 13에 도시된 바와 같이, 예측값(y_pred)과 실제값(y_test) 사이의 차가 0인 값의 빈도수가 가장 많음을 알 수 있다. 다시 말하여, 예측값(y_pred)과 실제값(y_test) 사이의 차, 즉 오차가 거의 0으로 수렴함을 알 수 있다. 따라서, 본 발명에 따른 차량 탑승 인원 예측 모델의 예측값(y_pred)이 상당히 정확함을 알 수 있다.
한편, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서가 속하는 기술분야의 통상의 지식을 가진 자는 본 명세서가 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 명세서의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 명세서의 범위에 포함되는 것으로 해석되어야 한다.
한편, 본 명세서와 도면에는 본 명세서의 바람직한 실시 예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 명세서의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 명세서의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예 외에도 본 명세서의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 명세서가 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
100: 차량 데이터 제공부 200: 탑승 인원 예측 서비스부
820: 지시부 110: 관성 신호 수집수
120: 진단 신호 수집부 130: 데이터 취합부

Claims (18)

  1. 차량으로부터 수집된 차량 데이터를 제공하기 위한 차량 데이터 제공부; 및
    상기 차량 데이터 제공부로부터의 차량 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 탑승 인원 예측 서비스부를 포함하는 차량 탑승 인원 모니터링 장치.
  2. 제 1 항에 있어서,
    상기 차량 데이터는 상기 차량의 관성 측정 신호 및 상기 차량의 진단 신호를 포함하는 차량 탑승 인원 모니터링 장치.
  3. 제 2 항에 있어서,
    상기 차량 데이터 제공부는,
    상기 차량의 관성 측정 장치로부터 상기 관성 측정 신호를 수집하는 관성 신호 수집부;
    상기 차량의 온-보드 진단부로부터 상기 진단 신호를 수집하는 진단 신호 수집부; 및
    상기 관성 신호 수집부로부터의 관성 신호 및 상기 진단 신호 수집부로부터의 진단 신호를 취합하는 데이터 취합부를 포함하는 차량 탑승 인원 모니터링 장치.
  4. 제 2 항에 있어서,
    상기 관성 신호는 상기 차량의 횡방향 가속도, 상기 차량의 종방향 가속도, 상기 차량의 수직방향 가속도, 상기 차량의 요(yaw), 상기 차량의 롤(roll) 및 상기 차량의 피치(pitch)를 포함하며; 그리고,
    상기 진단 신호는 상기 차량의 차속, 상기 차량의 스로틀 밸브의 개도량, 상기 차량의 엔진 회전수, 상기 차량의 엔진 토크, 상기 차량의 슬로프, 상기 차량의 휠 속도 및 상기 차량의 조향 신호를 포함하는 차량 탑승 인원 모니터링 장치.
  5. 제 1 항에 있어서,
    상기 탑승 인원 예측 서비스부는,
    상기 차량 데이터 제공부로부터의 차량 데이터를 근거로 특징 데이터를 추출하는 특징 추출부;
    상기 특징 추출부로부터의 특징 데이터를 인공 지능 방식으로 분석하여 상기 차량 탑승 인원을 예측하는 탑승 인원 예측부;
    상기 차량 데이터에 대응되는 차량 탑승 인원을 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값이 미리 저장되며, 상기 모델 설정값 중 상기 차량 데이터의 통계치를 상기 탑승 인원 예측부로 제공하는 설정값 저장부; 및
    상기 설정값 저장부로부터의 모델 설정값 중 차량 데이터의 가중치 및 편향치를 상기 탑승 인원 예측부로 로딩하는 설정값 로딩부를 포함하는 차량 탑승 인원 모니터링 장치.
  6. 제 5 항에 있어서,
    상기 특징 추출부는,
    상기 외부로부터 입력된 차량 데이터를 저장하는 원본 저장부; 및
    상기 원본 저장부의 차량 데이터로부터 특징 데이터를 추출하는 데이터 추출부를 포함하는 차량 탑승 인원 모니터링 장치.
  7. 제 5 항에 있어서,
    상기 탑승 인원 예측 서비스부는 상기 탑승 인원 예측부로부터 예측된 차량 탑승 인원의 값을 저장하는 예측값 저장부를 더 포함하는 차량 탑승 인원 모니터링 장치.
  8. 제 6 항에 있어서,
    상기 데이터 추출부는,
    상기 원본 저장부의 차량 데이터 및 상기 차량의 무게 중심을 근거로, 보정된 관성 신호를 생성하는 데이터 보정부;
    상기 원본 저장부의 차량 데이터를 근거로, 상기 차량의 차속을 산출하는 차속 산출부;
    상기 원본 저장부의 차량 데이터 및 상기 보정된 관성 신호를 근거로, 상기 차량의 슬로프를 산출하는 슬로프 산출부;
    상기 원본 저장부의 차량 데이터 및 상기 보정된 관성 신호를 근거로, 상기 차량의 횡방향 속도를 산출하는 횡방향 속도 산출부;
    상기 원본 저장부의 차량 데이터를 근거로, 상기 차량에 가해진 수량을 산출하는 강우 여부 판단부;
    상기 원본 저장부의 차량 데이터를 근거로, 상기 차량의 연료 무게를 산출하는 연료 무게 산출부; 및
    상기 데이터 보정부로부터의 보정된 관성 신호, 상기 차속 산출부로부터의 차속, 상기 슬로프 산출부로부터의 슬로프, 상기 횡방향 속도 산출부로부터의 횡방향 속도, 상기 강우 여부 판단부로부터의 수량 및 상기 연료 무게 산출부로부터의 연료 무게를 취합하여 특징 데이터를 생성하고, 이 생성된 특징 데이터를 하나의 데이트 세트로서 출력하는 데이터 취합부를 포함하는 차량 탑승 인원 모니터링 장치.
  9. 제 5 항에 있어서,
    상기 탑승 인원 예측부는,
    설정값 저장부로부터 제공된 차량 데이터의 평균 및 표준 편차를 근거로 상기 특징 추출부로부터의 특징 데이터를 정규화하는 정규화부;
    상기 설정값 저장부로부터 로딩된 차량 데이터의 가중치 및 편향치를 근거로 탑승 인원 예측 모델을 생성하는 모델 생성부; 및
    상기 모델 생성부로부터의 탑승 인원 예측 모델에 상기 정규화부로부터의 정규화된 특징 데이터를 입력하여 상기 차량 탑승 인원의 값을 출력하는 예측값 출력부를 포함하는 차량 탑승 인원 모니터링 장치.
  10. 제 1 항에 있어서,
    상기 차량의 이동을 감지하여, 상기 차량 데이터 제공부가 상기 차량으로부터 상기 차량 데이터를 수집 및 취합하도록 지시하는 지시부를 더 포함하는 차량 탑승 인원 모니터링 장치.
  11. 차량으로부터 수집된 차량 데이터를 제공하는 단계; 및
    상기 제공된 차량 데이터를 인공 지능 방식으로 분석하여 차량 탑승 인원을 예측하는 단계를 포함하는 차량 탑승 인원 모니터링 방법.
  12. 제 11 항에 있어서,
    상기 차량 데이터를 제공하는 단계는,
    상기 차량의 관성 측정 장치로부터 상기 관성 측정 신호를 수집하는 단계;
    상기 차량의 온-보드 진단부로부터의 상기 진단 신호를 수집하는 단계; 및
    상기 관성 신호 수집부로부터의 관성 신호 및 상기 진단 신호 수집부로부터의 진단 신호를 취합하는 단계를 포함하는 차량 탑승 인원 모니터링 방법.
  13. 제 11 항에 있어서,
    상기 차량 데이터에 대응되는 차량 탑승 인원을 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값을 미리 저장하는 단계를 더 포함하고;
    상기 탑승 인원을 예측하는 단계는,
    상기 제공된 차량 데이터를 근거로 특징 데이터를 추출하는 단계;
    상기 모델 설정값을 근거로 설정된 탑승 인원 예측 모델을 통해 상기 추출된 특징 데이터를 인공 지능 방식으로 분석하여 상기 차량 탑승 인원을 예측하는 단계를 포함하는 차량 탑승 인원 모니터링 방법.
  14. 제 13 항에 있어서,
    상기 특징 데이터를 추출하는 단계는,
    상기 외부로부터 입력된 차량 데이터를 저장하는 단계; 및
    상기 저장된 차량 데이터로부터 특징 데이터를 추출하는 단계를 포함하는 차량 탑승 인원 모니터링 방법.
  15. 제 13 항에 있어서,
    상기 예측된 차량 탑승 인원의 값을 저장하는 단계를 더 포함하는 차량 탑승 인원 모니터링 방법.
  16. 제 14 항에 있어서,
    상기 특징 데이터를 추출하는 단계는,
    상기 저장된 차량 데이터 및 상기 차량의 무게 중심을 근거로 관성 신호 보정하여 보정 관성 신호를 생성하는 단계;
    상기 저장된 차량 데이터를 근거로 상기 차량의 차속을 산출하는 단계;
    상기 저장된 차량 데이터 및 상기 보정 관성 신호를 근거로 상기 차량의 슬로프를 산출하는 단계;
    상기 저장된 차량 데이터 및 상기 보정 관성 신호를 근거로 상기 차량의 횡방향 속도를 산출하는 단계;
    상기 저장된 차량 데이터를 근거로 상기 차량에 가해진 수량을 산출하는 단계;
    상기 저장된 차량 데이터를 근거로 상기 차량의 연료 무게를 산출하는 단계; 및
    상기 산출된 보정 관성 신호, 상기 차속, 상기 슬로프, 상기 횡방향 속도, 상기 수량 및 상기 연료 무게를 취합하여 특징 데이터를 생성하고, 이 생성된 특징 데이터를 하나의 데이트 세트로서 출력하는 단계를 포함하는 차량 탑승 인원 모니터링 방법.
  17. 제 13 항에 있어서,
    상기 추출된 특징 데이터를 인공 지능 방식으로 분석하여 상기 차량 탑승 인원을 예측하는 단계는,
    상기 모델 설정값에 포함된 차량 데이터의 평균 및 표준 편차를 근거로 상기 특징 추출부로부터의 특징 데이터를 정규화하는 단계;
    상기 모델 설정값에 포함된 차량 데이터의 가중치 및 편향치를 근거로 탑승 인원 예측 모델을 생성하는 단계; 및
    상기 탑승 인원 예측 모델에 상기 정규화된 특징 데이터를 입력하여 상기 차량 탑승 인원의 값을 출력하는 단계를 포함하는 차량 탑승 인원 모니터링 방법.
  18. 제 11 항에 있어서,
    상기 차량의 이동을 감지하여, 상기 차량으로부터 상기 차량 데이터를 수집 및 취합하도록 지시하는 단계를 더 포함하는 차량 탑승 인원 모니터링 방법.
KR1020210118491A 2021-09-06 2021-09-06 차량 탑승 인원 모니터링 장치 및 방법 KR20230036590A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210118491A KR20230036590A (ko) 2021-09-06 2021-09-06 차량 탑승 인원 모니터링 장치 및 방법
US17/882,494 US20230072343A1 (en) 2021-09-06 2022-08-05 Vehicle occupant monitoring device and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210118491A KR20230036590A (ko) 2021-09-06 2021-09-06 차량 탑승 인원 모니터링 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20230036590A true KR20230036590A (ko) 2023-03-15

Family

ID=85385510

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210118491A KR20230036590A (ko) 2021-09-06 2021-09-06 차량 탑승 인원 모니터링 장치 및 방법

Country Status (2)

Country Link
US (1) US20230072343A1 (ko)
KR (1) KR20230036590A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101584263B1 (ko) 2014-10-06 2016-01-12 (주)토브랩 지하철 객실 별 실시간 냉난방 제어 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101584263B1 (ko) 2014-10-06 2016-01-12 (주)토브랩 지하철 객실 별 실시간 냉난방 제어 시스템

Also Published As

Publication number Publication date
US20230072343A1 (en) 2023-03-09

Similar Documents

Publication Publication Date Title
EP4261050A2 (en) System and method for vehicle tire performance modeling and feedback
CN105976450A (zh) 无人驾驶车辆的数据处理方法和装置、黑匣子系统
US20090177346A1 (en) Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors
CN112660112B (zh) 一种车辆侧倾状态及侧翻预测方法及系统
US11807046B2 (en) Tire wear measurement device using acceleration peak value of tire and tire wear measurement method using same
CN108475358B (zh) 用于评价驾驶员的行程性能的方法和系统
CN108369682B (zh) 用于评价驾驶员的行程性能的方法和系统
JP7377154B2 (ja) 路面性状判定装置
US11592298B2 (en) Method for determining road surface conditions
CN108431837B (zh) 用于评价驾驶员的行程性能的方法和系统
CN108475359B (zh) 用于评价驾驶员的行程性能的方法和系统
CN106114085B (zh) 胎压传感器前后轮位置识别方法、装置及系统
CN106339692A (zh) 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及系统
CN108369683B (zh) 用于评价驾驶员的行程性能的方法和系统
Yu et al. Pavement roughness index estimation and anomaly detection using smartphones
WO2020049737A1 (ja) 運転技能評価システム、方法及びプログラム
CN108369681B (zh) 用于评价驾驶员的行程性能的方法和系统
Alonso et al. Toward a methodology to assess safety of a vehicle
CN108475357B (zh) 用于评价驾驶员的行程性能的方法和系统
EP3382570A1 (en) Method for characterizing driving events of a vehicle based on an accelerometer sensor
US11676429B2 (en) Vehicle wheel impact detection and response
KR20230036590A (ko) 차량 탑승 인원 모니터링 장치 및 방법
CN108828980B (zh) 一种过弯离心力的预测方法及系统
US10916074B2 (en) Vehicle wheel impact detection
KR102228559B1 (ko) 운전자 피로 감지 방법 및 시스템