KR20240054622A - 운전자 상태 분석 방법, 컴퓨터 프로그램 및 장치 - Google Patents
운전자 상태 분석 방법, 컴퓨터 프로그램 및 장치 Download PDFInfo
- Publication number
- KR20240054622A KR20240054622A KR1020220134816A KR20220134816A KR20240054622A KR 20240054622 A KR20240054622 A KR 20240054622A KR 1020220134816 A KR1020220134816 A KR 1020220134816A KR 20220134816 A KR20220134816 A KR 20220134816A KR 20240054622 A KR20240054622 A KR 20240054622A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- driver
- data
- voice data
- generating
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 171
- 238000004590 computer program Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 description 61
- 230000008569 process Effects 0.000 description 31
- 238000004891 communication Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 206010041349 Somnolence Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- 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
- B60W2040/0872—Driver physiology
-
- 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
- B60W2040/089—Driver voice
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0057—Frequency analysis, spectral techniques or transforms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2400/00—Special features of vehicle units
- B60Y2400/90—Driver alarms
- B60Y2400/902—Driver alarms giving haptic or tactile signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/225—Feedback of the input speech
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Traffic Control Systems (AREA)
Abstract
본 개시의 몇몇 실시예에 따른, 컴퓨팅 장치에 의해 수행되는 운전자 상태 분석 방법이 개시된다. 상기 방법은: 음성 데이터를 포함하는 운전자 상태 정보를 수집하는 단계; 상기 운전자 상태 정보에 대한 전처리를 수행하는 단계 - 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함함 -; 사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하는 단계; 상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계; 및 상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계; 를 포함할 수 있다.
Description
본 개시는 운전자 상태 분석 시스템에 관한 것으로, 구체적으로, 음성 데이터를 포함하는 운전자 상태 정보를 분석하는 것에 관한 것이다.
일반적으로, 도로에서 차량 수의 증가, 제한된 도로 용량, 및 현대 생활과 연관된 스트레스 원인과 같은 다양한 요인은 로드 레이지 및/또는 다른 스트레스 유발 사고를 초래할 수 있는 높은 스트레스 상태를 악화시키는 경향이 있다.
안전 운전 보조 시스템 중 운전자 상태 감시 시스템(Driver Status Monitoring, DSM)은 졸음 또는 운전과 관계없는 불필요한 행동으로 인한 운전자의 태만을 경고하는 시스템이다.
최근 들어 영상 데이터를 이용한 운전자 상태 감시 시스템이 개발되고 있으나, 음성 데이터를 이용하여 운전자의 감정을 분석할 수 있는 운전자 상태 감시 시스템의 개발은 미비한 실정이다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 음성 데이터를 포함하는 운전자 상태 정보를 분석하는 방법, 컴퓨터 프로그램, 컴퓨팅 장치를 제공하기 위함이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 운전자 상태 분석 방법이 개시된다. 상기 방법은: 음성 데이터를 포함하는 운전자 상태 정보를 수집하는 단계; 상기 운전자 상태 정보에 대한 전처리를 수행하는 단계 - 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함함 -; 사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하는 단계; 상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계; 및 상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계; 를 포함할 수 있다.
대안적으로, 상기 운전자 상태 정보에 대한 전처리를 수행하는 단계는: 적어도 하나의 제 1 네트워크 모델에 의해, 상기 음성 데이터에 포함된 적어도 하나의 노이즈 유형을 제거하는 단계를 포함할 수 있다.
대안적으로, 상기 적어도 하나의 제 1 네트워크 모델은 오토 인코더를 포함할 수 있다.
대안적으로, 상기 적어도 하나의 제 1 네트워크 모델은 적어도 하나의 노이즈 유형을 포함하는 훈련 음성 데이터(training voice data) 및 상기 훈련 음성 데이터에 포함되는 상기 적어도 하나의 노이즈 유형 중 하나 이상이 제거된 교사 데이터(teacher voice data)를 포함하는 트레이닝 데이터셋 의해 학습될 수 있다.
대안적으로, 사전 결정된 정보 추출 조건은 음성 지속 시간 또는 음향 크기 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계는: 적어도 하나의 제 2 네트워크 모델에 의해, 상기 추출된 분석 타겟 정보에 기초하여 사전 결정된 상태 분류에 대한 분류 결과를 생성하는 단계; 를 포함할 수 있다.
대안적으로, 상기 적어도 하나의 제 2 네트워크 모델은 상기 추출된 분석 대상 정보에 포함된 음성 데이터를 입력으로 처리함으로써 음성 분류 결과를 출력하는 모델을 포함할 수 있다.
대안적으로, 상기 적어도 하나의 제 2 네트워크 모델은 상기 추출된 분석 대상 정보에 포함된 음성 데이터로부터 추출된 텍스트 데이터를 입력으로 처리함으로써 텍스트 분류 결과를 출력하는 모델을 포함할 수 있다.
대안적으로, 상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계는: 피드백 음향 출력부에 의해, 상기 생성된 상태 분석 결과 정보에 대응하는 피드백 음향을 생성하는 단계; 를 포함할 수 있다.
대안적으로, 상기 피드백 음향 출력부는 차량에 설치된 스피커를 포함할 수 있다.
대안적으로, 상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계는: 피드백 진동 출력부에 의해, 상기 생성된 상태 분석 결과 정보에 대응하는 피드백 진동을 생성하는 단계; 를 포함할 수 있다.
대안적으로, 상기 피드백 진동 출력부는 진동 장치를 포함하는 차량 시트를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 운전자 상태 분석 방법을 수행하기 위한 동작들을 수행하도록 하며, 상기 방법은: 음성 데이터를 포함하는 운전자 상태 정보를 수집하는 단계; 상기 운전자 상태 정보에 대한 전처리를 수행하는 단계 - 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함함 -; 사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하는 단계; 상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계; 및 상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계;를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라, 운전자 상태 분석 방법을 수행하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는: 적어도 하나의 코어를 포함하는 프로세서; 및 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 를 포함하고, 상기 프로세서는: 음성 데이터를 포함하는 운전자 상태 정보를 수집하고, 상기 운전자 상태 정보에 대한 전처리를 수행하고 - 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함함 -, 사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하고, 상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하고, 그리고 상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성할 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 몇몇 실시예에 따르면, 음성 데이터를 포함하는 운전자 상태 정보를 분석하는 방법, 컴퓨터 프로그램, 컴퓨팅 장치를 제공할 수 있다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다.
도 1은 본 개시의 몇몇 실시예에 따른 운전자 상태 분석 시스템의 일례를 설명하기 위한 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 음성 획득부, 피드백 음향 출력부, 및 피드백 음향 출력부의 예시적인 배치를 설명하기 위한 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 예시적인 전처리 모듈의 동작을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 예시적인 분석 대상 정보 추출 모듈의 동작을 설명하기 위한 도면이다.
도 5a는 본 개시의 몇몇 실시예에 따른 예시적인 상태 정보 분석 모듈의 동작을 설명하기 위한 도면이다.
도 5b는 본 개시의 몇몇 실시예에 따른 예시적인 상태 정보 분석 모듈의 동작을 설명하기 위한 또 다른 도면이다.
도 6은 본 개시의 몇몇 실시예에 따른 운전자 상태 분석 방법의 순서도이다.
도 7는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 8은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 1은 본 개시의 몇몇 실시예에 따른 운전자 상태 분석 시스템의 일례를 설명하기 위한 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 음성 획득부, 피드백 음향 출력부, 및 피드백 음향 출력부의 예시적인 배치를 설명하기 위한 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 예시적인 전처리 모듈의 동작을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 예시적인 분석 대상 정보 추출 모듈의 동작을 설명하기 위한 도면이다.
도 5a는 본 개시의 몇몇 실시예에 따른 예시적인 상태 정보 분석 모듈의 동작을 설명하기 위한 도면이다.
도 5b는 본 개시의 몇몇 실시예에 따른 예시적인 상태 정보 분석 모듈의 동작을 설명하기 위한 또 다른 도면이다.
도 6은 본 개시의 몇몇 실시예에 따른 운전자 상태 분석 방법의 순서도이다.
도 7는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 8은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.
비록 제 1, 제 2 등이 다양한 엘리먼트나 구성요소들을 서술하기 위해서 사용되나, 이들 엘리먼트나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 엘리먼트나 구성요소는 본 발명의 기술적 사상 내에서 제 2 엘리먼트나 구성요소 일 수도 있음은 물론이다.
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 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 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 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.
이하의 설명에서 사용되는 구성 요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도 1은 본 개시의 몇몇 실시예에 따른 운전자 상태 분석 시스템(1000)의 일례를 설명하기 위한 블록 구성도이다.
본 개시의 몇몇 실시예에 따라, 운전자 상태 분석 시스템(1000)은 차량 운전자의 운전자 상태 정보(특히, 음성 데이터)를 분석함으로써 운전자의 상태를 식별할 수 있다. 기존의 노이즈를 감소시키는 적응적 디노이징 방식과 달리, 운전자 상태 분석 시스템(1000)은 음성 데이터의 노이즈를 완전히 제거하도록 학습된 네트워크 모델을 이용하여 전처리를 수행함으로써 운전자 상태 분석의 정확도를 개선할 수 있다. 또한, 운전자 상태 분석 시스템(1000)은 식별된 운전자의 상태에 기초하여 운전자의 상태를 개선할 수 있는 음향 또는 진동과 같은 피드백 반응을 제공할 수 있다. 따라서, 본 개시의 운전자 상태 분석 시스템(1000)은 운전자의 사용자 경험을 향상시키고 운전자의 불안전한 상태에 따라 발생할 수 있는 사고를 미연에 방지할 수 있다.
도 1를 참조하면, 운전자 상태 분석 시스템(1000)은 제어부(100), 저장부(200), 네트워크 통신부(300), 음성 획득부(400), 영상 획득부(500),디스플레이부(600), 피드백 음향 출력부(700), 피드백 진동 출력부(800) 및 사용자 입력부(900) 중 적어도 하나를 포함할 수 있다. 도 1에 도시된 운전자 상태 분석 시스템(1000)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 몇몇 실시예에서 운전자 상태 분석 시스템(1000)은 다른 구성들을 포함할 수 있고, 개시된 구성들 중 일부만이 운전자 상태 분석 시스템(1000)을 구성할 수도 있다.
제어부(100)는 운전자 상태 분석 시스템(1000)의 전반적인 동작을 처리할 수 있다. 제어부(100)는 운전자 상태 분석 시스템(1000)의 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 저장부(200)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
몇몇 예에서, 제어부(100)는 차량에 임베이딩된 장치의 프로세서를 이용하여 구현될 수 있다. 다른 예로, 제어부(100)는 네트워크 통신부(300)를 통해 연결된 모바일 단말의 프로세서를 이용하여 구현될 수 있다. 또 다른 예로, 제어부(100)는 네트워크 통신부(300)를 통해 연결되는 차량 외부의 장치(예를 들어, 클라우드 시스템을 제공하는 서버)의 프로세서를 이용하여 구현될 수 있다. 다만 이에 한정되지 않고, 제어부(100)는 다양한 방식으로 구현될 수 있다.
몇몇 예에서, 제어부(100)는 본 개시에 따른 운전자 상태 분석 방법의 단계들을 수행할 수 있다. 제어부(100)를 구성하는 컴포넌트 및 그 세부적인 동작들이 이하에서 자세히 설명된다.
본 개시의 몇몇 실시예에 따라, 제어부(100)는 상태 정보 수집 모듈(110), 전처리 모듈(120), 분석 대상 정보 추출 모듈(130), 상태 정보 분석 모듈(140), 및 피드백 생성 모듈(150)을 포함할 수 있다. 도 1에 도시된 제어부(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 몇몇 실시예에서 제어부(100)는 다른 구성들을 포함할 수 있고, 개시된 구성들 중 일부만이 제어부(100)를 구성할 수도 있다.
본 개시의 몇몇 실시예에 따라, 상태 정보 수집 모듈(110)은 음성 데이터를 포함하는 운전자 상태 정보를 수집할 수 있다.
자세히 설명하면, 상태 정보 수집 모듈(110)은 차량에 탑승 중인 운전자의 상태를 식별할 수 있는 운전자 상태 정보를 수집할 수 있다. 예를 들어, 상태 정보 수집 모듈(110)은 음성 획득부(400)를 통해 차량 내부 및 외부의 소리를 녹음한 음성 데이터를 운전자 상태 정보로 수집할 수 있다. 일례에서, 음성 획득부(400)는 차량에 설치되는 하나 이상의 마이크를 포함할 수 있다. 다른 예로, 음성 획득부(400)는 모바일 단말의 마이크를 포함할 수 있다. 음성 획득부(400)에 의해 수집되는 음성 데이터는 운전자 및 탑승자의 음성을 포함하는 음성 데이터일 수 있다. 다만 이에 한정되지 않는다.
다른 예로, 상태 정보 수집 모듈(110)은 영상 획득부(400)를 통해 차량 내부 및 외부의 영상 데이터를 운전자 상태 정보로 수집할 수 있다. 예를 들어, 상태 정보 수집 모듈(110)은 음성 획득부(400)를 통해 차량 내부에 탑승 중인 운전자 및 탑승자를 촬영한 영상 데이터를 수집할 수 있다. 또한, 상태 정보 수집 모듈(110)은 영상 데이터로부터 음성 데이터를 분리할 수 있다. 이 경우에, 운전자 상태 분석 시스템은 영상 데이터로부터 음성 데이터를 음성 획득부(400)에 의해 수집되는 음성 데이터와 동일한 방식으로 처리할 수 있다. 다만 이에 한정되지 않고, 상태 정보 수집 모듈(110)은 다양한 형태의 정보를 포함하는 운전자 상태 정보를 수집할 수 있다.
본 개시의 몇몇 실시예에 따라, 전처리 모듈(120)은 운전자 상태 정보에 대한 전처리를 수행할 수 있다. 여기서 전처리는 음성 데이터에 포함된 노이즈의 제거를 포함할 수 있다.
상태 정보 수집 모듈(110)에 의해 수집된 운전자 상태 정보는 분석에 앞서 전처리될 수 있다. 여기서 전처리는 운전 상태 정보를 분석에 용이한 형태로 변경하는 다양한 작업을 포함할 수 있다. 예를 들어, 전처리는 데이터 클리닝(cleaning), 데이터 통합(integration) , 데이터 변환(transformation), 데이터 축소(reduction), 데이터 이산화(discretization) 또는 이들의 조합을 포함할 수 있다.
구체적으로 예를 들면, 몇몇 예에서, 전처리는 음성 데이터에 포함된 노이즈의 제거를 포함할 수 있다. 음성 데이터는 주요 분석 대상이 되는 운전자(및 탑승자)의 음성 뿐만 아니라, 차량 엔진 소리, 차량 브레이크 소리, 라디오 또는 음악 소리, 차량 외부에서 발생하는 소리 등 다양한 노이즈를 포함 수 있다. 이러한 노이즈는 운전자 상태에 대한 정확한 분석을 저해하므로, 분석 결과의 정확성을 높이기 위해 전처리를 통해 음성 데이터에 포함된 노이즈를 제거하는 작업이 수행될 수 있다.
본 개시의 몇몇 실시예에 따라, 전처리 모듈(120)은, 운전자 상태 정보에 대한 전처리를 수행하는 경우에, 적어도 하나의 제 1 네트워크 모델에 의해, 음성 데이터에 포함된 적어도 하나의 노이즈 유형을 제거할 수 있다.
구체적으로 설명하면, 차량 내에서 발생할 수 있는 몇몇 노이즈의 유형은 미리 특정될 수 있다. 예를 들어, 차량 내에서 발생할 수 있는 주된 노이즈 유형은 차량 엔진 소리, 차량 브레이크 소리, 라디오 또는 음악 소리 등으로 분류될 수 있다. 이 경우에, 특정된 노이즈 유형을 제거하도록 훈련된 제 1 네트워크 모델을 사용함으로써 운전자 상태에 대한 분석 정확도가 향상될 수 있다.
여기서 제 1 네트워크 모델은 입력 데이터인 음성 데이터 상에 존재하는 특정 한 노이즈 유형을 제거한 음성 데이터를 생성할 수 있는 다양한 모델을 포함할 수 있다. 예를 들어, 제 1 네트워크 모델은 오토 인코더(auto encoder)를 포함할 수 있다. 이 경우에, 오토 인코더 모델은 입력 데이터의 차원을 축소하고 다시 복원하는 과정에서 특정한 노이즈 유형을 제거한 출력 데이터를 생성하는 모델일 수 있다. 다만 이에 한정되지 않고, 제 1 네트워크 모델은 다양한 유형의 네트워크 모델을 포함할 수 있다.
몇몇 예에서, 하나의 제 1 네트워크 모델이 복수 개의 노이즈 유형을 동시에 제거하도록 학습될 수 있다. 다른 예로, 복수 개의 제 1 네트워크 모델 사용되는 경우에, 각각의 제 1 네트워크 모델은 하나의 노이즈 유형을 제거하도록 학습될 수 있다. 또한, 복수 개의 제 1 네트워크 모델이 사용되는 경우, 한 모델의 출력이 다른 모델의 입력으로 사용되도록, 복수 개의 제 1 네트워크 모델은 적어도 부분적으로 직렬 형태로 구성될 수 있다. 이 경우에, 복수 개의 제 1 네트워크 모델이 배치되는 순서는 각각의 모델이 처리하는 노이즈 유형에 따라 결정될 수 있다. 예를 들어, 복수 개의 제 1 네트워크 모델이 배치되는 순서는 노이즈 발생 빈도 또는 노이즈 크기 등을 고려하여 결정될 수 있다. 구체적으로 예를 들면, 노이즈 발생 빈도가 높거나 노이즈 크기가 큰 노이즈 유형을 처리하는 모델이 선행하고 그리고 노이즈 발생 빈도가 낮거나 노이즈 크기가 작은 노이즈 유형을 처리하는 모델이 후행하도록, 복수 개의 제 1 네트워크 모델의 배치 순서가 결정될 수 있다. 또한, 운전 환경에 따라 주로 발생하는 노이즈 유형이 달라질 수 있으므로, 복수 개의 제 1 네트워크 모델의 배치 순서는 노이즈 유형의 변경에 따라 적응적으로 결정될 수 있다. 다만 이에 한정되지 않고, 제 1 네트워크 모델의 학습 방법, 구성 방식은 다양할 수 있다.
몇몇 실시예에서, 복수 개의 제 1 네트워크 모델이 사용되는 경우에, 운전자 상태 분석 시스템(1000)의 가용 자원 및 목표 성능에 따라, 복수 개의 제 1 네트워크 모델 중에 작동하는 모델의 개수가 조절될 수 있다. 예를 들어, 운전자 상태 분석 시스템(1000)의 가용 자원이 다소 낮은 경우에, 복수 개의 제 1 네트워크 모델 중에서 노이즈 발생 빈도가 높거나 또는 노이즈 크기가 큰 노이즈 유형을 처리하는 모델만이 동작될 수 있다. 다른 예로, 운전자 상태 분석 시스템(1000)의 운전자 상태 분석 성능을 최대화하기 위해서, 복수 개의 제 1 네트워크 모델의 모든 모델(또는 거의 모든 모델)이 동작할 수 있다. 다만 이에 한정되지 않고, 제 1 네트워크 모델은 다양한 방식으로 동작할 수 있다.
본 개시의 몇몇 실시예에 따라, 적어도 하나의 제 1 네트워크 모델은 적어도 하나의 노이즈 유형을 포함하는 훈련 음성 데이터(training voice data) 및 훈련 음성 데이터에 포함되는 적어도 하나의 노이즈 유형 중 하나 이상이 제거된 교사 데이터(teacher voice data)를 포함하는 트레이닝 데이터셋 의해 학습될 수 있다.
상술한 바와 같이, 차량 내에서 발생할 수 있는 몇몇 노이즈의 유형은 미리 특정될 수 있다. 이러한 차량 환경의 특성을 고려하여, 제 1 네트워크 모델의 학습 시에 입력 데이터로 사용되는 훈련 음성 데이터는 다양한 노이즈 유형을 조합하는 방식으로 생성될 수 있다. 예를 들어, 훈련 음성 데이터는 복수의 노이즈 유형 중에서 일부 유형만을 음성 데이터에 포함시키는 방식으로 생성될 수 있다. 이 경우에,음성 데이터에 포함되는 노이즈 유형 각각의 음향 크기를 다양하게 조절함으로써, 훈련 음성 데이터의 생성량이 증가할 수 있다. 그리고, 제 1 네트워크 모델의 학습 시에 제 1 네트워크 모델의 출력 데이터와 비교되는 교사 데이터는 훈련 음성 데이터에 포함된 노이즈 유형의 일부 또는 전부를 제거하는 방식으로 생성될 수 있다. 이러한 방식으로 생성된 트레이닝 데이터셋은 훈련 음성 데이터와, 대응하는 훈련 음성 데이터에서 제거하고자 하는 노이즈 유형이 완전히 제거된 교사 데이터를 한 쌍으로 포함하므로, 제 1 트레이닝 모델의 학습 효과가 향상될 수 있다.
본 개시의 몇몇 실시예에 따라, 분석 대상 정보 추출 모듈(130)은 사전 결정된 정보 추출 조건에 기초하여 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출할 수 있다. 여기서, 사전 결정된 정보 추출 조건은 음성 지속 시간 또는 음향 크기 중 적어도 하나를 포함할 수 있다.
구체적으로 설명하면, 전처리된 운전자 상태 정보 전부를 분석하는 대신, 운전자 상태 분석에 있어서 의미가 있을 가능성이 높은 정보만을 분석하는 방식이 효율적일 수 있다, 이를 위해, 분석 대상 정보 추출 모듈(130)은 전처리된 운전자 상태 정보 중에서 사전 결정된 정보 추출 조건을 충족하는 분석 대상 정보를 추출할 수 있다. 전처리 모듈(120)에 의해 수행되는 노이즈 제거 방식은 특정한 노이즈 제거한 음성 데이터를 합성(출력)하도록 학습된 제 1 네트워크 모델을 이용하여 수행되므로, 노이즈 제거에 따라 분석 대상이 되는 음향 크기가 줄어드는 등 변형 우려가 없거나 적을 수 있다. 따라서, 이러한 노이즈 제거 방식에 따라 운전자 상태 분석에 있어서 의미가 있을 가능성이 높은 정보만을 추출하는 작업이 용이하게 수행될 수 있다.
자세히 설명하면, 운전자 상태 분석에 있어서, 운전자 상태 분석에 있어서 의미가 있을 가능성이 높은 정보는 일정한 지속 시간 및 일정 음향 크기 이상의 음성 데이터에 포함될 가능성이 높다. 따라서, 음성 지속 시간 및 음향 크기를 정보 추출 조건으로 운전자 상태 정보로부터 분석 대상 정보를 추출 및 처리하는 경우에, 소비되는 정보 처리 자원을 줄이면서도 상태 분석 결과의 높은 정확도가 보장될 수 있다. 다만 이에 한정되지 않고, 분석 대상 정보 추출 모듈(130)은 다양한 방식으로 분석 대상 정보를 추출할 수 있다.
본 개시의 몇몇 실시예에 따라, 상태 정보 분석 모듈(140)은 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성할 수 있다.
분석 대상 정보 추출 모듈(130)에 의해 분석 대상 정보를 추출한 경우에, 상태 정보 분석 모듈(140)은 분석 대상 정보를 분석함으로써 운전자의 상태에 대한 상태 분석 결과 정보를 생성할 수 있다. 여기서 상태 분석 결과 정보는 운전자의 상태를 보통, 화남, 산만, 피곤함, 우울, 아픔 등으로 분류한 결과를 이용하여 운전자의 상태를 개선하는 피드백 반응을 생성하는데 사용되는 다양한 정보를 포함할 수 있다. 예를 들어, 상태 분석 결과 정보는 피드백 반응을 생성하지 않는 피드백 불요 상태, 피드백 반응을 생성하는 피드백 필요 상태를 포함할 수 있다. 그리고 피드백 필요 상태는 화남, 피곤함, 우울, 아픔 등의 운전자 불안정한 상태를 개선하는 각각의 피드백 반응을 생성할 것을 나타내는 상태를 포함할 수 있다. 다만 이에 한정되지 않고, 상태 분석 결과 정보는 다양한 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 상태 정보 분석 모듈(140)은 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 경우에, 적어도 하나의 제 2 네트워크 모델에 의해, 추출된 분석 타겟 정보에 기초하여 사전 결정된 상태 분류에 대한 분류 결과를 생성할 수 있다.
몇몇 예에서, 상태 정보 분석 모듈(140)은 음성 데이터들을 시계열적으로 고려하여 데이터를 인코딩하고 그리고 인코딩된 데이터를 분류하는 다양한 네트워크 함수 또는 알고리즘들을 포함하는 제 2 네트워크 모델을 포함할 수 있다. 전술한 네트워크 함수 또는 알고리즘들은 하나의 데이터에 대한 인코딩하는 경우에 시간적으로 선후에 위치하는 다른 데이터의 정보가 반영되어 인코딩되는 임의의 네트워크 함수 및 알고리즘들을 의미할 수 있다. 예를 들어, 제 2 네트워크 모델은 컨볼루션 신경망(convolution neural network), 순환 신경망(Recurrent Neural Network; RNN), LSTM, Seq2Seq, 트랜스포머(transformer) 또는 이들의 조합을 포함할 수 있다.
몇몇 예에서, 상태 정보 분석 모듈(140)은 음성 데이터 또는 텍스트 데이터를 인코딩하는 제 2 네트워크 모델을 포함할 수 있다. 그리고 상태 정보 분석 모듈(140)은 각각의 인코딩된 데이터를 처리하는데 적합한 제 2 네트워크 모델을 이용하여 사전 결정된 상태 분류에 대한 분류 결과를 생성할 수 있다. 여기서 상태 분류는 운전자의 상태를 나타내는 다양한 분류를 포함할 수 있다. 예를 들어, 상태 분류는 보통, 화남, 산만, 피곤함, 우울, 아픔 등을 포함할 수 있다. 다만 상술한 상태 분류는 예시적인 것으로, 상태 분류는 다양한 분류를 포함할 수 있다.
몇몇 예에서, 제 2 네트워크 모델은 하나의 모델일 수 있다. 이 경우에, 하나의 제 2 네트워크 모델은 상태 분류에 포함되는 모든 분류에 대한 분류 결과를 생성하도록 학습될 수 있다. 다른 예로, 제 2 네트워크 모델은 복수의 모델을 포함할 수 있다. 이 경우에, 복수의 제 2 네트워크 모델 각각은 하나의 상태 분류에 대한 분류 결과를 생성하도록 학습될 수 있다. 또한, 복수의 제 2 네트워크 모델은 각각 상이한 도메인의 인코딩 데이터를 처리하는 둘 이상의 모델을 포함할 수 있다. 다만 이에 한정되지 않고, 제 2 네트워크 모델은 다양한 모델을 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 상기 적어도 하나의 제 2 네트워크 모델은 추출된 분석 대상 정보에 포함된 음성 데이터를 입력으로 처리함으로써 음성 분류 결과를 출력하는 모델을 포함할 수 있다.
상술한 바와 같이, 제 2 네트워크 모델은 음성 데이터를 처리하는 모델일 수 있다. 예를 들어, 제 2 네트워크 모델이 음성 데이터를 처리하는 모델인 경우, 제 2 네트워크 모델은 입력된 음성 데이터를 스펙트로그램(Spectrogram) 형식으로 변환할 수 있다. 그리고, 제 2 네트워크 모델은 변환된 스펙트로그램을 처리함으로써 음성 데이터 형태의 특징에 대응하는 음성 분류 결과를 생성할 수 있다. 예를 들어, 제 2 네트워크 모델은 음성의 크기, 빠르기, 발음, 뉘앙스 등으로 표현되는 음성 특징을 학습하여 상태 분류에 대한 분류 결과를 생성할 수 있다. 다만 이에 한정되지 않고, 제 2 네트워크 모델은 다양한 방식으로 음성 데이터를 처리할 수 있다.
본 개시의 몇몇 실시예에 따라, 상기 적어도 하나의 제 2 네트워크 모델은 추출된 분석 대상 정보에 포함된 음성 데이터로부터 추출된 텍스트 데이터를 입력으로 처리함으로써 텍스트 분류 결과를 출력하는 모델을 포함할 수 있다.
상술한 바와 같이, 제 2 네트워크 모델은 음성 데이터로부터 추출된 텍스트 데이터를 처리하는 모델일 수 있다. 예를 들어, 제 2 네트워크 모델이 텍스트 데이터를 처리하는 모델인 경우, 제 2 네트워크 모델은 입력된 텍스트 데이터를 인코딩할 수 있다. 그리고, 제 2 네트워크 모델은 텍스트 데이터를 인코딩한 데이터를 처리함으로써 텍스트 데이터의 특징에 대응하는 텍스트 분류 결과를 생성할 수 있다. 예를 들어, 제 2 네트워크 모델은 텍스트 데이터에 표현되는 텍스트 특징을 학습하여 상태 분류에 대한 분류 결과를 생성할 수 있다. 다만 이에 한정되지 않고, 제 2 네트워크 모델은 다양한 방식으로 음성 데이터를 처리할 수 있다.
상태 정보 분석 모듈(140)은 음성 데이터 또는 텍스트 데이터와 상이한 도메인의 데이터를 처리하는 네트워크 모델을 포함할 수 있다. 예를 들어, 상태 정보 분석 모듈(140)은 영상 데이터를 처리하는 네트워크 모델을 더 포함할 수 있다. 이 경우에, 상태 정보 분석 모듈(140)은 음성 데이터, 텍스트 데이터, 및 영상 데이터를 처리한 결과를 조합하여 상태 분석 결과 정보를 생성할 수 있다. 다만 이에 한정되지 않고, 상태 정보 분석 모듈(140)은 다양한 도메인의 데이터를 처리하는 모델을 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 피드백 생성 모듈(150)은 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성할 수 있다.
피드백 생성 모듈(150)은 운전자 상태 분석 방법에 의해 생성된 상태 분석 결과 정보에 따라 운전자의 상태를 개선할 수 있는 피드백 반응을 생성할 수 있다. 예를 들어, 피드백 생성 모듈(150)은 운전자가 졸립다는 상태 분석 결과 정보에 대응하여 피드백 음향 출력부(700)를 통해 현재 운전자가 졸립다는 상태임을 알리는 경고 음성과 함께 음악을 재생할 수 있다. 다른 예로, 피드백 생성 모듈(150)은 운전자가 피곤하다는 상태 분석 결과 정보에 대응하여 피드백 진동 출력부(800)를 통해 운전자에게 전달되는 진동을 생성할 수 있다. 다만 이에 한정되지 않는다.
이하에서, 제어부(100) 외의 다른 컴포넌트들이 설명된다.
저장부(200)는 메모리 및/또는 영구저장매체를 포함할 수 있다. 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
저장부(200)는 운전자 상태 분석 시스템(1000)의 컴포넌트 상에서 생성 및 처리되는 다양한 정보를 저장할 수 있다. 예를 들어, 저장부(200)는 음성 데이터, 영상 데이터, 사용자 생체 신호 데이터 등을 포함하는 운전자 상태 정보를 저장할 수 있다. 또한, 저장부(200)는 네트워크 통신부(300)를 통해 외부 디바이스로부터 수신되는 다양한 정보를 저장할 수 있다.
네트워크 통신부(300)는 운전자 상태 분석 시스템(1000)의 컴포넌트 간의 데이터를 송수신하는데 사용될 수 있다. 예를 들어, 네트워크 통신부(300)는 본 개시에 따른 운전자 상태 분석 방법을 수행하는 과정에서 처리되는 다양한 데이터를 운전자 상태 분석 시스템(1000)의 컴포넌트 간에 송수신하는데 사용될 수 있다. 다른 예로, 네트워크 통신부(300)는 본 개시에 따른 운전자 상태 분석 방법을 수행하는 과정에서 처리되는 다양한 데이터를 외부로 송신하거나 외부로부터 수신하는데 사용될 수 있다. 네트워크 통신부(300)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 원거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다. 다만 이에 한정되지 않는다.
음성 획득부(400)는 차량에서 발생하는 다양한 음성 데이터를 획득할 수 있다. 예를 들어, 상술한 바와 같이, 음성 획득부(400)는 차량에 설치되는 하나 이상의 마이크를 포함할 수 있다. 마이크는 운전자 석에 앉아 있는 운전자의 음성이나, 또는 운전자 외의 탑승자의 음성을 획득할 수 있는 다양한 위치에 설치될 수 있다. 또한, 마이크는 네트워크 통신부(300)를 통해 연결되는 모바일 단말의 마이크를 포함할 수 있다. 다만 이에 한정되지 않는다.
일례에서, 음성 획득부(400)에 의해 획득되는 음성 데이터는 저장부(200)에 저장될 수 있다. 저장부(200)에 저장된 음성 데이터는 본 개시에 따른 운전자 상태 분석 방법을 수행하는 과정에서 처리될 수 있다. 다른 예로, 음성 획득부(400)에 의해 획득되는 음성 데이터는 네트워크 통신부(300)를 통해 외부로 전송될 수 있다. 이 경우에, 제어부(100)는 본 개시에 따른 운전자 상태 분석 방법을 수행하는 과정에서 네트워크 통신부(300)를 통해 외부로부터 음성 데이터를 다시 수신할 수 있다.
영상 획득부(500)는 차량 내부 또는 외부를 촬영한 다양한 영상 데이터를 획득할 수 있다. 예를 들어, 영상 획득부(400)는 차량에 설치되는 하나 이상의 카메라들을 포함할 수 있다. 차량에 설치되는 카메라들은 운전자, 운전자 외의 탑승자, 차량 외부에 대한 영상 데이터를 생성할 수 있다. 또한, 카메라는 네트워크 통신부(300)를 통해 연결되는 모바일 단말의 카메라를 포함할 수 있다. 다만 이에 한정되지 않는다. 또한, 상술한 바와 같이, 영상 데이터로부터 분리되는 음성 데이터는 음성 획득부(400)에 의해 획득된 음성 데이터와 동일한 방식으로 운전자 상태 분석에 이용될 수 있다.
일례에서, 영상 획득부(500)에 의해 획득되는 영상 데이터는 저장부(200)에 저장될 수 있다. 저장부(200)에 저장된 영상 데이터는 음성 데이터와 함께 본 개시에 따른 운전자 상태 분석 방법을 수행하는 과정에서 처리될 수 있다. 다른 예로, 영상 획득부(500)에 의해 획득되는 영상 데이터는 네트워크 통신부(300)를 통해 외부로 전송될 수 있다. 이 경우에, 제어부(100)는 본 개시에 따른 운전자 상태 분석 방법을 수행하는 과정에서 네트워크 통신부(300)를 통해 외부로부터 영상 데이터를 수신할 수 있다.
디스플레이부(600)는 운전자 상태 분석 시스템(1000)에서 처리되는 다양한 정보를 디스플레이(출력)할 수 있다. 예를 들어, 디스플레이부(600)는 본 개시에 따른 운전자 상태 분석 방법에 의해 생성된 상태 분석 결과 정보를 디스플레이할 수 있다. 또한, 디스플레이부(600)는 상태 분석 결과 정보와 관련하여 사용자에게 유용한 정보를 디스플레이 할 수 있다. 예를 들어, 디스플레이부(600)는 사용자가 긴장하고 있다는 상태 분석 결과 정보에 대응하여 제어부(100)에 의해 검색된 긴장을 풀 수 있는 대응 방법을 출력할 수 있다.
일례로, 디스플레이부(600)는 차량에 구비된 디스플레이 장치일 수 있다. 다른 예로, 디스플레이부(600)는 네트워크 통신부(300)를 통해 연결되는 모바일 단말의 디스플레이 장치일 수 있다. 다만 이에 한정되지 않는다.
피드백 음향 출력부(700)는 본 개시에 따른 운전자 상태 분석 방법에 의해 생성된 상태 분석 결과 정보에 대응하는 음향 형태의 피드백 반응을 생성할 수 있다. 피드백 음향 출력부(700)는 차량에 설치되는 하나 이상의 스피커, 리시버(Receiver), 버저(Buzzer) 등을 포함할 수 있다. 예를 들어, 피드백 음향 출력부(700)는 운전자가 졸립다는 상태 분석 결과 정보에 대응하여 현재 운전자가 졸립다는 상태임을 알리는 경고 음성과 함께 음악을 재생할 수 있다. 다만 이에 한정되지 않는다.
피드백 진동 출력부(800)는 본 개시에 따른 운전자 상태 분석 방법에 의해 생성된 상태 분석 결과 정보에 대응하는 진동 형태의 피드백 반응을 생성할 수 있다. 피드백 진동 출력부(800)는 진동 장치를 포함하는 차량 시트를 포함할 수 있다. 다른 예로, 피드백 진동 출력부(800)는 진동 장치를 포함하는 웨어러블 장치(예를 들어, 스마트 와치 또는 스마트 밴드)를 포함할 수 있다. 예를 들어, 피드백 진동 출력부(800)는 운전자가 피곤하다는 상태 분석 결과 정보에 대응하여 운전자에게 전달되는 진동을 생성할 수 있다. 다만 이에 한정되지 않는다
사용자 입력부(900)는 운전자 상태 분석 시스템(1000)을 제어하기 위한 사용자의 입력을 수신할 수 있다. 예를 들어, 사용자 입력부(170)는 키 패드, 돔 스위치, 터치 패드(정압/정전), 조그 휠, 조그 스위치 중 적어도 하나로 구현될 수 있다. 예를 들어, 사용자 입력부(900)는 피드백 반응의 유형을 선택 및 조절하기 위한 사용자 입력을 수신하는데 사용될 수 있다. 다만 이에 한정되지 않는다.
이하에서, 도 2 내지 도 5를 참조하여, 본 개시에 따른 운전자 상태 분석 시스템의 컴포넌트들의 상세한 실시예가 설명된다.
도 2는 본 개시의 몇몇 실시예에 따른 음성 획득부, 피드백 음향 출력부, 및 피드백 음향 출력부의 예시적인 배치를 설명하기 위한 도면이다.
도 2를 참조하면, 차량 내에 임베이딩 디바이스 형태로 설치된 음성 획득부(400), 피드백 음향 출력부(700), 및 피드백 음향 출력부(800)의 위치가 도시된다.
음성 획득부(400)는, 상술한 바와 같이, 차량 내부 및 외부의 소리를 녹음함으로써 음성 데이터 생성할 수 있다. 도 2를 참조하면, 음성 획득부(400)는 차량에 설치되는 4개의 마이크를 포함할 수 있다. 4개의 마이크는 운전자의 음성을 다양하게 녹음할 수 있도록 서로 상이한 각도와 거리로 배치될 수 있다.
피드백 음향 출력부(700)는, 상술한 바와 같이, 본 개시에 따른 운전자 상태 분석 방법에 의해 생성된 상태 분석 결과 정보에 대응하는 음향 형태의 피드백 반응을 생성할 수 있다. 도 2를 참조하면, 피드백 음향 출력부(700)는 차량에 설치되는 스피커일 수 있다.
피드백 음향 출력부(800)는, 상술한 바와 같이, 본 개시에 따른 운전자 상태 분석 방법에 의해 생성된 상태 분석 결과 정보에 대응하는 진동 형태의 피드백 반응을 생성할 수 있다. 도 2를 참조하면, 피드백 진동 출력부(800)는 진동 장치를 포함하는 차량 시트를 포함할 수 있다.
도 2에서 도시되는 음성 획득부(400), 피드백 음향 출력부(700), 및 피드백 음향 출력부(800)의 위치 및 유형은 단지 예시에 불과하고, 이에 한정되지 않는다.
도 3은 본 개시의 몇몇 실시예에 따른 예시적인 전처리 모듈의 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 전처리 모듈(120)은 음성 데이터에 포함된 적어도 하나의 노이즈 유형을 제거하는 제 1 네트워크 모델(121)을 포함할 수 있다. 예를 들어, 제 1 네트워크 모델(121) 오토 인코더를 포함할 수 있다. 도 3을 참조하면, 몇몇 예에서, 제 1 네트워크 모델(121)은 노이즈를 포함하는 음성 데이터(10)를 FFT 변환을 적용하여 시간 영역에서 주파수 영역으로 변환할 수 있다. 그리고, 제 1 네트워크 모델(121)은 변환된 음성 데이터를 다시 스펙트로그램으로 변환할 수 있다. 제 1 네트워크 모델(121)은 스펙트로그램을 오토 인코더 모델을 통해 처리할 수 있다. 그리고 제 1 네트워크 모델(121)은 오토 인코더 모델에서 출력된 결과를 FFT 역변환을 적용하여 노이즈가 제거된 음성 데이터(20)를 생성할 수 있다. 예시적인 제 1 네트워크 모델은 Deep Learning-Based Noise Reduction Approach to Improve Speech Intelligibilit y for Cochlear Implant Recipients, Ying-Hui Lai et. al. (2018)에 개시되며, 이는 여기에 참조로서 통합된다.
도 4는 본 개시의 몇몇 실시예에 따른 예시적인 분석 대상 정보 추출 모듈의 동작을 설명하기 위한 도면이다.
도 4를 참조하면, 분석 대상 정보 추출 모듈(130)에 의해 사전 결정된 정보 추출 조건에 기초하여 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하는 실시예가 도시된다. 몇몇 예에서, 사전 결정된 정보 추출 조건은 음성 지속 시간 또는 음향 크기 중 적어도 하나를 포함할 수 있다. 예를 들어, 음성 지속 시간은 3초이고, 음향 크기는 음성 데이터의 평균값에 표준 편차 값의 2배를 더한 값일 수 있다. 이 경우에, 도 4를 참조하면, 운전자 상태 정보에 포함된 음성 데이터 중에서 5초 내지 10초의 재생 구간(30)은 3초 이상의 음성 지속 시간을 가지고 정보 추출 조건의 음향 크기 보다 큰 크기를 가지므로, 분석 대상 정보로 추출될 수 있다. 이와 달리, 운전자 상태 정보에 포함된 음성 데이터 중에서 21초 내지 23초의 재생 구간(40)은 정보 추출 조건을 모두 만족하지 못하므로 분석 대상 정보로 추출될 수 없다.
도 5a는 본 개시의 몇몇 실시예에 따른 예시적인 상태 정보 분석 모듈의 동작을 설명하기 위한 도면이다.
도 5a를 참조하면, 상태 정보 분석 모듈(140)은 스펙트로그램 형식으로 음성 데이터(50)를 처리하는 제 2 네트워크 모델(141)을 포함할 수 있다. 예를 들어, 제 2 네트워크 모델(141)은 스펙트로그램으로 변환된 음성 데이터를 처리함으로써 음성 데이터 형태의 특징에 대응하는 음성 분류 결과(60)를 생성할 수 있다. 예를 들어, 제 2 네트워크 모델(141)은 음성의 크기, 빠르기, 발음, 뉘앙스 등으로 표현되는 음성 특징을 학습하여 상태 분류에 대한 분류 결과를 생성할 수 있다. 예시적인 제 2 네트워크 모델(141)은 PANNs: Large-Scale Pretrained Audio Neural Networks for Audio Pattern Recognition, Qiuqiang Kong et. al. (2019)에 개시되며, 이는 여기에 참조로서 통합된다.
도 5b는 본 개시의 몇몇 실시예에 따른 예시적인 상태 정보 분석 모듈의 동작을 설명하기 위한 또 다른 도면이다.
도 5b를 참조하면, 상태 정보 분석 모듈(140)은 음성 데이터(50)를 인코딩하여 처리하는 제 2 네트워크 모델(142)을 포함할 수 있다. 예를 들어, 2 네트워크 모델(142)은 입력된 텍스트 데이터(70)를 인코딩할 수 있다. 그리고, 제 2 네트워크 모델(142)은 인코딩 데이터를 처리함으로써 텍스트 데이터의 특징에 대응하는 텍스트 분류 결과(80)를 생성할 수 있다. 예를 들어, 제 2 네트워크 모델(142)은 텍스트 데이터(70)에 표현되는 텍스트 특징을 학습하여 상태 분류에 대한 분류 결과를 생성할 수 있다. 예시적인 제 2 네트워크 모델(141)은 Audio Transformers: Transformer Architectures For Large Scale Audio Understanding., Prateek, Verma et. al. (2021)에 개시되며, 이는 여기에 참조로서 통합된다.
도 6은 본 개시의 몇몇 실시예에 따른 운전자 상태 분석 방법의 순서도이다.
본 개시의 몇몇 실시예에 따라, 운전자 상태 분석 방법은 음성 데이터를 포함하는 운전자 상태 정보를 수집하는 단계(s100)를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 운전자 상태 분석 방법은 상기 운전자 상태 정보에 대한 전처리를 수행하는 단계(s200)를 포함할 수 있다. 여기서, 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 운전자 상태 분석 방법은 사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하는 단계(s300)를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 운전자 상태 분석 방법은 상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계(s400)를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 운전자 상태 분석 방법은 상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계(s500)를 포함할 수 있다.
전술한 본 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다. 또한, 전술한 본 방법의 단계들은 임의의 순서에 따라 수행될 수 있다.
도 7는 본 개시의 몇몇 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 네트워크 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
본 개시의 전처리 모듈(120) 및 상태 정보 분석 모듈(140)에 포함되는 몇몇 컴포넌트는 몇몇 예에서 단순 연산 모델로 구현되거나, 또는 이하에서 설명되는 네트워크 함수를 이용하여 구현될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network), 트랜스포머(transformer) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크는 학습시키기 위한 학습 데이터의 양을 늘리기 위해, 다양한 데이터 증강 방법이 사용될 수 있다. 예를 들어, 2차원 변환인 회전(Rotation), 크기(Scale), 밀림(Shearing), 반사(Reflection), 이동(Translation)을 통해 데이터 증강이 수행될 수 있다. 또한, 노이즈 삽입, 색상, 밝기 변형 등을 활용하여 데이터 증강이 수행될 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 8은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 8은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시 적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화 된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시 적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (14)
- 컴퓨팅 장치에 의해 수행되는 운전자 상태 분석 방법에 있어서,
음성 데이터를 포함하는 운전자 상태 정보를 수집하는 단계;
상기 운전자 상태 정보에 대한 전처리를 수행하는 단계 - 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함함 -;
사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하는 단계;
상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계; 및
상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 운전자 상태 정보에 대한 전처리를 수행하는 단계는:
적어도 하나의 제 1 네트워크 모델에 의해, 상기 음성 데이터에 포함된 적어도 하나의 노이즈 유형을 제거하는 단계를 포함하는,
방법.
- 제 2 항에 있어서,
상기 적어도 하나의 제 1 네트워크 모델은 오토 인코더를 포함하는,
방법.
- 제 2 항에 있어서,
상기 적어도 하나의 제 1 네트워크 모델은 적어도 하나의 노이즈 유형을 포함하는 훈련 음성 데이터(training voice data) 및 상기 훈련 음성 데이터에 포함되는 상기 적어도 하나의 노이즈 유형 중 하나 이상이 제거된 교사 데이터(teacher voice data)를 포함하는 트레이닝 데이터셋 의해 학습되는,
방법.
- 제 1 항에 있어서,
사전 결정된 정보 추출 조건은 음성 지속 시간 또는 음향 크기 중 적어도 하나를 포함하는,
방법.
- 제 1 항에 있어서,
상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계는:
적어도 하나의 제 2 네트워크 모델에 의해, 상기 추출된 분석 타겟 정보에 기초하여 사전 결정된 상태 분류에 대한 분류 결과를 생성하는 단계;
를 포함하는,
방법.
- 제 6 항에 있어서,
상기 적어도 하나의 제 2 네트워크 모델은 상기 추출된 분석 대상 정보에 포함된 음성 데이터를 입력으로 처리함으로써 음성 분류 결과를 출력하는 모델을 포함하는,
방법.
- 제 6 항에 있어서,
상기 적어도 하나의 제 2 네트워크 모델은 상기 추출된 분석 대상 정보에 포함된 음성 데이터로부터 추출된 텍스트 데이터를 입력으로 처리함으로써 텍스트 분류 결과를 출력하는 모델을 포함하는,
방법.
- 제 1 항에 있어서,
상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계는:
피드백 음향 출력부에 의해, 상기 생성된 상태 분석 결과 정보에 대응하는 피드백 음향을 생성하는 단계;
를 포함하는,
방법.
- 제 9 항에 있어서,
상기 피드백 음향 출력부는 차량에 설치된 스피커를 포함하는,
방법.
- 제 1 항에 있어서,
상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계는:
피드백 진동 출력부에 의해, 상기 생성된 상태 분석 결과 정보에 대응하는 피드백 진동을 생성하는 단계;
를 포함하는,
방법.
- 제 11 항에 있어서,
상기 피드백 진동 출력부는 진동 장치를 포함하는 차량 시트를 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 운전자 상태 분석 방법을 수행하기 위한 동작들을 수행하도록 하며, 상기 방법은:
음성 데이터를 포함하는 운전자 상태 정보를 수집하는 단계;
상기 운전자 상태 정보에 대한 전처리를 수행하는 단계 - 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함함 -;
사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하는 단계;
상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하는 단계; 및
상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는 단계;를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 운전자 상태 분석 방법을 수행하는 컴퓨팅 장치로서,
적어도 하나의 코어를 포함하는 프로세서; 및
상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리;
를 포함하고,
상기 프로세서는:
음성 데이터를 포함하는 운전자 상태 정보를 수집하고,
상기 운전자 상태 정보에 대한 전처리를 수행하고 - 상기 전처리는 상기 음성 데이터에 포함된 노이즈의 제거를 포함함 -,
사전 결정된 정보 추출 조건에 기초하여 상기 전처리된 운전자 상태 정보로부터 분석 대상 정보를 추출하고,
상기 추출된 분석 대상 정보에 기초하여 상태 분석 결과 정보를 생성하고, 그리고
상기 생성된 상태 분석 결과 정보에 기초하여 피드백 반응을 생성하는,
컴퓨팅 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220134816A KR20240054622A (ko) | 2022-10-19 | 2022-10-19 | 운전자 상태 분석 방법, 컴퓨터 프로그램 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220134816A KR20240054622A (ko) | 2022-10-19 | 2022-10-19 | 운전자 상태 분석 방법, 컴퓨터 프로그램 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240054622A true KR20240054622A (ko) | 2024-04-26 |
Family
ID=90883210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220134816A KR20240054622A (ko) | 2022-10-19 | 2022-10-19 | 운전자 상태 분석 방법, 컴퓨터 프로그램 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240054622A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102321100B1 (ko) | 2017-12-18 | 2021-11-03 | 현대모비스 주식회사 | 안전운전 지원 장치 및 방법 |
-
2022
- 2022-10-19 KR KR1020220134816A patent/KR20240054622A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102321100B1 (ko) | 2017-12-18 | 2021-11-03 | 현대모비스 주식회사 | 안전운전 지원 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102137151B1 (ko) | 노이즈 캔슬링 장치 및 그 방법 | |
| KR20180125905A (ko) | 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치 | |
| KR102226132B1 (ko) | 헤드셋 및 그의 구동 방법 | |
| US11830505B2 (en) | Identification of fake audio content | |
| KR102321855B1 (ko) | 음성으로 상호작용하는 인공 지능 장치 및 그 방법 | |
| US20200134455A1 (en) | Apparatus and method for training deep learning model | |
| US11270684B2 (en) | Generation of speech with a prosodic characteristic | |
| EP3598344A1 (en) | Processing sensor data | |
| US11457033B2 (en) | Rapid model retraining for a new attack vector | |
| KR102340486B1 (ko) | 신경망을 이용한 음성 변환 방법 및 장치 | |
| KR102506805B1 (ko) | 의사 정상 데이터를 이용한 자가 감독 학습 기반의 차량 이상징후 탐지 장치 및 방법 | |
| KR20230094956A (ko) | 문서 데이터의 주제어 분류를 수행하는 기법 | |
| KR20230073138A (ko) | 유사 컨텐츠 제공 기법 | |
| US11887002B2 (en) | Method of generating data by using artificial neural network model having encoder-decoder structure | |
| US20230195770A1 (en) | Method for Classifying Asset File | |
| KR20240054622A (ko) | 운전자 상태 분석 방법, 컴퓨터 프로그램 및 장치 | |
| KR20230062130A (ko) | 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼 | |
| KR20220071843A (ko) | 무인 이동체 메시지 id 시퀀스 생성을 위한 생성적 적대 신경망 모델과 그 학습 방법 | |
| KR102583764B1 (ko) | 외국어가 포함된 오디오의 음성 인식 방법 | |
| KR102583799B1 (ko) | 이상 검출을 기반으로 오디오 데이터에서 음성 활성을 탐지하는 방법 | |
| KR102669806B1 (ko) | 수학 문제의 풀이를 보조하기 위한 방법 및 장치 | |
| KR102621021B1 (ko) | 감정 중립적인 음성을 생성하는 음성 변환 모델을 학습시키는 방법 | |
| US20230153545A1 (en) | Method for creating rules used to structure unstructured data | |
| KR102665708B1 (ko) | 음원으로부터 타겟의 음성을 추출하는 방법 | |
| KR102647511B1 (ko) | 대규모 언어 모델의 강화 학습 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |