KR20240079468A - 비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 탐지 시스템 - Google Patents
비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 탐지 시스템 Download PDFInfo
- Publication number
- KR20240079468A KR20240079468A KR1020220162400A KR20220162400A KR20240079468A KR 20240079468 A KR20240079468 A KR 20240079468A KR 1020220162400 A KR1020220162400 A KR 1020220162400A KR 20220162400 A KR20220162400 A KR 20220162400A KR 20240079468 A KR20240079468 A KR 20240079468A
- Authority
- KR
- South Korea
- Prior art keywords
- road surface
- spectral
- unsupervised learning
- data
- spectral data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 236
- 238000001514 detection method Methods 0.000 claims abstract description 112
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims description 28
- 238000002372 labelling Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 20
- 238000013480 data collection Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004441 surface measurement Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000010426 asphalt Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
본 발명은, 도로의 노면에 대한 복수의 분광 데이터들을 수집하는 단계, 상기 수집된 분광 데이터들에 대한 데이터 클러스터링을 수행하여 복수의 클러스터를 생성하는 단계, 상기 복수의 클러스터들 중 가장 밀도가 높은 클러스터를 선택하는 단계, 상기 선택된 클러스터의 스펙트럼 평균 및 스펙트럼 표준편차를 이용하여 일정 범위 이내의 분광 샘플을 추출하는 단계, 인공신경망을 이용하여 상기 추출된 분광 샘플에 대한 비지도 학습을 수행하여 이상 상태 탐지 모델을 생성하는 단계, 상기 이상 상태 탐지 모델을 이용하여 새 분광 데이터에 대한 이상 상태 여부를 판정하는 단계를 포함하는 비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 노면 탐지 장치를 개시할 수 있다.
Description
본 발명은 도로의 노면 상태 분석에 관한 것으로서, 더욱 상세하게는 비지도 학습을 이용한 노면 상태 탐지 방안에 관한 것이다.
차량의 주행에 있어 노면의 상태는 안전한 운전을 수행할 수 있는지 여부와 직결되는 부분이다. 예컨대, 결빙, 적설 등의 악천후 노면상태 정보는 효율적인 도로관리 및 교통안전에 중요한 역할을 한다. 특히, 고속도로에서 발생하는 겨울철 사고와 같이, 운전자가 인지하기 힘든 노면상태는 교통안전을 위협하는 요소로 작용하기 때문에 결빙, 적설 등 위험한 노면상태 정보를 사전에 인지하는 것이 무엇보다 중요하다. 이와 관련하여, 예전에는 노면의 상태를 수집하기 위해 기상자료 등을 외부 서버로부터 획득하고, 이를 통해 노면의 상태를 추정하는 방법을 이용하였다. 그리고 최근에는 차량의 센서 기술이 발전함에 따라, 타이어 내부에 삽입된 센서를 통해 측정된 값으로 노면의 상태를 추정하는 방법이 사용되고 있다. 또는, 노면 상태 정보를 수집하기 위하여 노면에 센서를 매설하는 방법이 사용되고 있다.
상술한 종래 노면 상태 분석 방법의 경우, 센서가 수집한 센서 정보와 기 저장된 기준 데이터와의 비교를 통해 노면 상태 분석을 수행한다. 여기서, 기준 데이터의 정확성에 따라 센서 정보 분석에 따른 노면 상태 분석의 정확성이 결정될 수 있다. 이에 따라, 기준 데이터를 보다 정확하게 구성할 수 있는 방안이 요구된다. 이와 관련하여, 사전에 노면에 대한 다양한 상태 정보를 수집하고, 수집된 상태 정보 전체에 대한 라벨링을 수행하여 정확한 기준 데이터를 구성하는 방안이 검토될 수 있다. 그러나 이러한 방안은 방대한 데이터를 라벨링하기 위한 자원 소모가 너무 크고, 라벨링 과정에서도 오류가 발생할 수 있는 가능성 때문에 여전히, 정확한 기준 데이터를 구성하는데 어려움이 있는 실정이다.
상술한 요구에 대응하기 위하여, 본 발명은 보다 정확한 노면 탐지를 수행하기 위하여 한정된 분광 데이터를 이용한 비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 탐지 시스템을 제공함에 있다.
그러나, 이러한 본 발명의 목적은 상기의 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상술한 바와 같은 목적을 달성하기 위한 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치는, 분광 카메라를 포함하는 분광 카메라 장치, 상기 분광 카메라 장치와 기능적으로 연결된 제어 장치를 포함하고, 상기 제어 장치는 분광 데이터를 수집하는 통신 회로, 상기 분광 데이터를 저장하는 메모리, 상기 통신 회로 및 상기 메모리와 기능적으로 연결된 프로세서를 포함할 수 있다. 프로세서는, 도로의 노면에 대한 복수의 분광 데이터들을 수집하고, 상기 수집된 분광 데이터들에 대한 데이터 클러스터링을 수행하여 복수의 클러스터를 생성하고, 상기 복수의 클러스터들 중 지정 조건을 만족하는 클러스터를 선택하고, 상기 선택된 클러스터로부터 분광 샘플을 추출하고, 추출된 분광 샘플에 대한 비지도 학습을 수행하여 이상 상태 탐지 모델을 생성할 수 있다.
구체적으로, 상기 클러스터링은 K-means clustering 또는 variational auto-encoder를 예로 들 수 있는 클러스터링 방법 중 하나를 활용하여 수행하도록 설정될 수 있다. 구체적으로, 상기 프로세서는 상기 복수의 클러스터들 중 가장 밀도가 높은 클러스터를 선택하도록 설정될 수 있다.
구체적으로, 상기 프로세서는 선택된 클러스터의 평균과 표준 편차를 산출하고, 상기 평균 기준 일정 범위 이내의 표준 편차 값 범위의 샘플들을 상기 분광 샘플들로 추출하도록 설정될 수 있다.
구체적으로, 상기 프로세서는 상기 비지도 학습과 관련하여, 상기 분광 샘플들 중 제1 비율의 제1 그룹을 상기 비지도 학습에 적용하고, 상기 분광 샘플들 중 제2 비율의 제2 그룹을 상기 비지도 학습 결과에 대한 검증용 셋으로 적용하도록 설정될 수 있다.
구체적으로, 상기 프로세서는 상기 비지도 학습과 관련하여, generative adversarial network (GAN), multi-layer perceptron, convolutional neural network, recurrent neural network, graph neural network 인공신경망 중 적어도 하나 또는 그 조합을 기반으로 상기 분광 샘플들에 대한 비지도 학습을 수행하도록 설정될 수 있다.
구체적으로, 상기 프로세서는 상기 비지도 학습 결과에 상기 검증용 셋의 입력과 출력에 대한 복원 오차를 측정하여 허용 범위를 설정할 수 있다.
구체적으로, 상기 프로세서는 상기 분광 카메라 장치로부터 도로의 노면 일 지점에 대한 새 분광 데이터를 수집하고, 상기 비지도 학습 결과에 상기 수집된 새 분광 데이터를 입력하고, 데이터의 복원 오차가 상기 허용 범위를 벗어나는지 여부를 확인하여 상기 새 분광 데이터의 이상 상태 여부를 판정하도록 설정될 수 있다.
구체적으로, 상기 복수의 분광 데이터들은, 상기 도로의 노면에 대해 최소 속성으로 라벨링된 복수의 분광 데이터들, 상기 도로의 노면이 마른 노면인 정상 상태 데이터의 데이터들이 이외의 상태인 이상 상태 데이터보다 사전 정의된 일정 비율 이상 많은 복수의 분광 데이터들을 포함할 수 있다. 여기서, 상기 프로세서는, 상기 복수의 분광 데이터들이 라벨링이 없는 경우, 상기 이상 상태 탐지 모델을 이용한 새 분광 데이터의 이상 판정 수행 시, 사용자 확인을 요청하도록 설정될 수 있다.
본 발명의 실시 예에 따른, 비지도 학습 기반 노면 상태 탐지 방법은, 도로의 노면에 대한 복수의 분광 데이터들을 수집하는 단계, 상기 수집된 분광 데이터들에 대한 데이터 클러스터링을 수행하여 복수의 클러스터를 생성하는 단계, 상기 복수의 클러스터들 중 가장 밀도가 높은 클러스터를 선택하는 단계, 상기 선택된 클러스터의 스펙트럼 평균 및 스펙트럼 표준편차를 이용하여 일정 범위 이내의 분광 샘플을 추출하는 단계, 인공신경망을 이용하여 상기 추출된 분광 샘플에 대한 비지도 학습을 수행하여 이상 상태 탐지 모델을 생성하는 단계, 상기 이상 상태 탐지 모델을 이용하여 새 분광 데이터에 대한 이상 상태 여부를 판정하는 단계를 포함할 수 있다.
여기서, 상기 복수의 분광 데이터들은, 상기 도로의 노면에 대해 최소 속성으로 라벨링된 복수의 분광 데이터들, 상기 도로의 노면이 마른 노면인 정상 상태 데이터의 데이터들이 이외의 상태인 이상 상태 데이터보다 사전 정의된 일정 비율 이상 많은 복수의 분광 데이터들을 포함할 수 있고, 상기 방법은, 상기 복수의 분광 데이터들이 라벨링이 없는 경우, 상기 이상 상태 탐지 모델을 이용한 새 분광 데이터의 이상 판정 수행 시, 사용자 확인을 요청하는 단계를 더 포함할 수 있다.
본 발명에 따르면, 본 발명은 제한적인 데이터를 이용하면서도 상대적으로 정확한 노면 상태 분석 결과를 제공할 수 있다.
아울러, 상술한 효과 이외의 다양한 효과들이 후술될 본 발명의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 수 있다.
도 1은 본 발명의 실시 예에 따른 노면 상태 분석과 관련한 노면 탐지 시스템의 한 예를 나타낸 도면.
도 2는 본 발명의 실시 예에 따른 노면 탐지 장치 구성의 한 예를 나타낸 도면.
도 3은 도 2의 프로세서 구성의 한 예를 나타낸 도면.
도 4는 본 발명의 실시 예에 따른 노면 탐지 시스템의 다른 예를 나타낸 도면.
도 5는 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 한 예를 나타낸 도면.
도 6은 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 다른 예를 나타낸 도면.
도 7은 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 또 다른 예를 나타낸 도면.
도 2는 본 발명의 실시 예에 따른 노면 탐지 장치 구성의 한 예를 나타낸 도면.
도 3은 도 2의 프로세서 구성의 한 예를 나타낸 도면.
도 4는 본 발명의 실시 예에 따른 노면 탐지 시스템의 다른 예를 나타낸 도면.
도 5는 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 한 예를 나타낸 도면.
도 6은 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 다른 예를 나타낸 도면.
도 7은 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 또 다른 예를 나타낸 도면.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "부", "기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
상술한 용어들 이외에, 이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
아울러, 본 발명의 범위 내의 실시 예들은 컴퓨터 실행가능 명령어 또는 컴퓨터 판독가능 매체에 저장된 데이터 구조를 가지거나 전달하는 컴퓨터 판독가능 매체를 포함한다. 이러한 컴퓨터 판독가능 매체는, 범용 또는 특수 목적의 컴퓨터 시스템에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EPROM, CD-ROM 또는 기타 광 디스크 저장장치, 자기 디스크 저장장치 또는 기타 자기 저장장치, 또는 컴퓨터 실행가능 명령어, 컴퓨터 판독가능 명령어 또는 데이터 구조의 형태로 된 소정의 프로그램 코드 수단을 저장하거나 전달하는 데에 이용될 수 있고, 범용 또는 특수 목적 컴퓨터 시스템에 의해 액세스 될 수 있는 임의의 기타 매체와 같은 물리적 저장 매체를 포함할 수 있지만, 이에 한정되지 않는다.
이하, 본 발명의 비지도 학습 기반의 노면 상태 분석을 수행하기 위한 시스템 환경에 포함되는 각 구성들의 종류와 역할에 대하여 설명하기로 한다.
도 1은 본 발명의 실시 예에 따른 노면 상태 분석과 관련한 노면 탐지 시스템의 한 예를 나타낸 도면이며, 도 2는 본 발명의 실시 예에 따른 노면 탐지 장치 구성의 한 예를 나타낸 도면이다. 도 3은 도 2의 프로세서 구성의 한 예를 나타낸 도면이다.
먼저, 도 1을 참조하면, 본 발명의 실시 예에 따른 노면 탐지시스템 환경(10)은 도로(20), 거치 구조물(30) 및 제1 타입 노면 탐지 장치(1000)를 포함할 수 있다.
상기 도로(20)는 차량이 운행할 수 있도록 상부면이 평평하게 형성되고, 하부는 지반에 따라 다양한 형태를 가질 수 있다. 이러한 도로(20)는 특성에 따라 다양한 두께를 가지며, 제작 재료에 따라 아스팔트 도로, 콘크리트 도로 등 다양한 타입의 도로를 포함할 수 있다. 본 발명에서 도로(20)는 적어도 상부 평평한 형태의 노면을 포함할 수 있다. 노면은 차량의 타이어가 접촉되는 면으로써, 날씨나 주변 환경에 따라 다양한 상태를 가질 수 있다. 예컨대, 노면은 정상 상태와 이상 상태를 가질 수 있다. 정상 상태는 예컨대, 노면이 마른 상태를 포함할 수 있다. 상기 이상 상태는 노면이 비에 의해 수막을 형성한 상태, 눈이 쌓인 적설 상태, 물이 얼어서 형성된 빙판 상태, 도로를 구성하는 물질 이외 모래나 다양한 이물질이 깔린 상태 등 다양한 상태를 가질 수 있다. 본 발명에서 도로(20)의 노면 상태는 제1 타입 노면 탐지 장치(1000)에 의해 촬영되고 분석된 후, 도로(20)를 주행하는 차량 또는 지정된 서버 장치에 전송될 수 있다.
상기 거치 구조물(30)은 도로(20)의 다양한 위치에 배치되는 적어도 하나의 구조물을 포함할 수 있다. 일 예로, 상기 거치 구조물(30)은 상기 제1 타입 노면 탐지 장치(1000)의 적어도 일부가 배치될 수 있다. 이와 관련하여, 거치 구조물(30)은 상기 도로(20)의 일 지점 또는 도로(20)에 인접된 일 지점으로부터 하늘 방향으로 연장 배치된 기둥부(31)와, 상기 기둥부(31)로부터 상기 도로(20)의 노면 중심부 방향으로 연장 배치된 연장부(32)를 포함할 수 있다.
상기 제1 타입 노면 탐지 장치(1000)는 거치 구조물(30) 일측에 배치되어 도로(20)의 노면에 관한 분광 이미지를 획득하고, 획득된 분광 이미지를 분석하여 노면 상태를 분석할 수 있다. 상기 제1 타입 노면 탐지 장치(1000)는 노면 상태 분석 결과를 지정된 서버 장치 또는 도로(20)를 주행할 차량에 전달할 수 있다. 이와 관련하여, 제1 타입 노면 탐지 장치(1000)는 제어 장치(100) 및 분광 카메라 장치(200)를 포함할 수 있다.
상기 제어 장치(100)는 상기 분광 카메라 장치(200)의 운용을 제어하여 노면에 관한 분광 이미지를 획득하고, 획득된 분광 이미지를 분석한 후 그 결과를 저장 및 전송할 수 있다. 일 예로서, 상기 제어 장치(100)는 비지도 학습 방법을 기반으로 분광 데이터에 대한 학습을 수행하고, 그 결과를 기반으로 노면의 이상 상태 여부를 판정할 수 있다. 이러한 제어 장치(100)는 예컨대, 상기 거치 구조물(30) 중 기둥부(31) 일측에 배치될 수 있다. 상기 분광 카메라 장치(200)는 노면을 촬영할 수 있는 장소 예컨대, 연장부(32) 일측에 배치되고, 제어 장치(100) 제어에 대응하여 노면에 관한 분광 이미지를 촬영할 수 있다. 상기 분광 카메라 장치(200)는 촬영된 분광 이미지를 제어 장치(100)에 전달할 수 있다.
도 2를 참조하면, 상기 분광 카메라 장치(200)는 분광 카메라(210), 구동부(220)를 포함할 수 있다. 여기서, 상기 분광 카메라 장치(200)는 분광 카메라(210)만을 포함하고, 구동부(220)는 생략될 수 있다. 또한, 상기 분광 카메라 장치(200)는 조명 제어 모듈, 보조 조명 장치, 적어도 하나의 센서(예: 조도 센서, 온도 센서, 온습도 센서, 적외선 센서) 등을 더 포함할 수 있다. 또는, 분광 카메라 장치(200)는 상술한 센서 등을 포함하지 않는, 분광 카메라 단독으로 구성될 수 있으며, 노면 탐지 장치를 구성하는 설계자의 의도에 따라 상술한 다양한 센서 또는 조명 관련 장치 중 적어도 하나가 선택적으로 노면 탐지 장치에 더 포함될 수 있다
상기 구동부(220)는 상기 분광 카메라(210)의 촬영 각도를 조절할 수 있다. 예컨대, 구동부(220)는 분광 카메라(210)의 상하 좌우 회전을 지원할 수 있다. 이와 관련하여, 상기 구동부(220)는 분광 카메라(210)와 연결되는 연결 장치, 분광 카메라(210)를 상하 방향으로 회전시킬 수 있는 제1 회전 모듈, 분광 카메라(210)를 좌우 방향으로 회전시킬 수 있는 제2 회전 모듈을 포함할 수 있다.
상기 분광 카메라(210)는 도로(20)의 노면 적어도 일부에 대한 분광 이미지를 획득할 수 있도록 배치될 수 있다. 예컨대, 앞서 설명한 바와 같이, 분광 카메라(210)는 거치 구조물(30)의 연장부(32) 일측에 배치되어, 노면 방향의 분광 이미지를 촬영할 수 있다. 상기 분광 카메라(210)는 다분광 센서 또는 초분광 센서를 포함할 수 있다. 분광 카메라(210)가 획득한 이미지는 제어 장치(100)의 프로세서(150) 제어에 대응하여 프로세서(150)에 전달할 수 있다. 상기 분광 카메라(210)의 운용은 비지도 학습을 위해 도로(20)의 노면 일 지점에 대한 분광 데이터를 수집하기 위해 수행될 수 있다. 또는, 상기 분광 카메라(210)의 운용은 현재 시점에서 도로(20)의 노면 상태에 판정을 위해 도로(20)의 노면 일 지점에 대한 분광 데이터를 수집하기 위해 수행될 수 있다.
본 발명의 실시 예에 따른 제어 장치(100)는 통신 회로(110), 메모리(130) 및 프로세서(150)를 포함할 수 있다.
상기 통신 회로(110)는 제어 장치(100)의 통신 기능을 담당할 수 있다. 상기 통신 회로(110)는 유선 통신 모듈 및 무선 통신 모듈 중 적어도 하나를 포함할 수 있다. 일 예로, 상기 통신 회로(110)는 무선 기지국과의 통신 채널을 형성할 수 있는 통신 모듈을 포함할 수 있다. 상기 통신 회로(110)는 프로세서(150) 제어에 대응하여 분광 카메라 장치(200)가 수집한 분광 이미지, 분광 이미지를 분석한 분석 결과, 분석 결과에 따른 차량 행동 지침 중 적어도 하나를 지정된 장치(예: 차량 또는 서버 장치)에 전송할 수 있다. 상기 통신 회로(110)는 상기 제어 장치(100)와 분광 카메라 장치(200)를 연결하는 유선 통신 모듈 또는 근거리 무선 통신 모듈 중 적어도 하나를 포함할 수 있다. 한편, 상기 통신 회로(110)는 비지도 학습을 위한 분광 데이터를 지정된 서버 장치로부터 수신할 수 있다.
상기 메모리(130)는 제어 장치(100) 운용에 필요한 다양한 데이터 또는 응용 프로그램을 저장할 수 있다. 일 예로, 메모리(130)는 분광 카메라 장치(200)가 수집한 분광 이미지, 분광 이미지 분석 결과, 차량 행동 지침 중 적어도 하나를 임시 또는 반 영구적으로 저장할 수 있다. 상기 메모리(130)는 분광 이미지에 대응하는 분광 데이터와, 각 분광 데이터들에 할당된 라벨 정보, 라벨에 따른 클러스터링 정보를 저장할 수 있다. 일 예로서, 메모리(130)는 제어 장치(100)의 비지도 학습을 위한 분광 데이터들로 구성된 데이터베이스를 포함할 수 있다.
상기 프로세서(150)는 제어 장치(100) 운용과 관련한 신호의 전달과 처리 또는 처리 결과의 저장을 제어할 수 있다. 일 예로서, 프로세서(150)는 분광 카메라 장치(200)의 운용을 제어하여, 분광 이미지를 획득하도록 제어할 수 있다. 이 동작에서 상기 프로세서(150)는 분광 카메라 장치(200)에 포함된 분광 카메라(210)의 촬영 각도를 조절할 수 있으며, 분광 카메라(210)의 분광 이미지 획득 주기 또는 획득 시점을 조절할 수 있다. 상기 프로세서(150)는 비지도 학습을 위한 분광 이미지 획득 및 노면 상태 판정을 위한 분광 이미지 획득을 제어할 수 있다.
분광 이미지 획득 방법으로서, 프로세서(150)는 최소 라벨링된 분광 데이터들을 수집할 수 있다. 최소 라벨링된 분광 데이터들은 예컨대, 하나의 속성(예: 정상 상태에 해당하는 마른 노면 상태)으로 라벨링될 수 있다. 라벨링과 관련하여, 각각의 분광 데이터들에 대하여 데이터 관리자가 수동으로 라벨링을 수행하거나, 사전 정의된 일정 방법을 기준으로 라벨링될 수 있다. 예컨대, 정상 상태에 대응하는 분광 데이터 스펙트럼을 기준으로 입력된 분광 데이터의 스펙트럼을 상호 비교하고, 일치율이 사전 정의된 일정 기준(예: 5%) 이내인 경우, 해당 입력 분광 데이터에 정상 상태 라벨링을 수행할 수 있다. 또는, 사전 정의된 조건(예: 화창한 날씨 상황에서 사전 정의된 시간 동안(예: 오전 11시부터 오후 4시사이, 시간이 변경 가능) 도로(20)의 노면 일 지점을 촬영한 분광 이미지들을 모두 정상 상태로 라벨링할 수 있다.
또는, 프로세서(150)는 분광 이미지 획득 방법으로서 라벨링되지 않은 분광 데이터들을 수집할 수 있다. 프로세서(150)는 라벨링되지 않은 광 데이터들을 수집하더라도, 정상 상태(예: 마른 노면 상태)에 해당하는 분광 데이터들이 이상 상태(예: 수막 상태, 적설 상태 등)에 대응하는 분광 데이터들보다 사전 정의된 일정 비율(예: 9(정상 상태): 1(이상 상태)) 이상 확보되도록 제어할 수 있다. 이와 관련하여, 프로세서(150)는 앞서 언급한 바와 같이, 정상 상태 분광 데이터들을 수집할 확률이 높은 사전 정의된 조건(예: 날씨, 온도, 시간 조건이 정상 상태 분광 이미지를 확보할 확률이 높은 조건) 하에서 촬영된 분광 이미지들을 다른 조건에서 획득된 분광 이미지들에 비하여 상대적으로 더 높은 비율로 수집할 수 있다.
분광 이미지가 획득되면, 프로세서(150)는 획득된 분광 데이터들을 기반으로 비지도 학습을 수행하고, 학습 결과를 메모리(130)예 저장할 수 있다. 비지도 학습이 완료된 이후, 프로세서(150)는 특정 이벤트 발생에 대응하여 현재 시점에서의 분광 이미지를 획득하고, 학습된 결과와 비교 분석하여 현재 시점의 분광 이미지에 대한 도로 노면 상태 분석을 수행할 수 있다. 상기 프로세서(150)는 분석 결과 또는 상기 분석 결과에 대응하는 차량 행동 지침을 지정된 차량 예컨대, 도로(20)에 진입하는 차량에 전송하거나, 도로(20) 운용과 관련한 서버 장치에 전송하도록 제어할 수 있다.
이와 관련하여, 도 3을 참조하면, 상기 프로세서(150)는 방향 제어부(151), 분광 데이터 수집부(152), 비지도 학습부(153) 및 노면 판정부(154)를 포함할 수 있다. 상술한 구성에서, 방향 제어부(151)와 분광 데이터 수집부(152), 비지도 학습부(153)의 구성은 분광 데이터들의 비지도 학습을 위해 운용될 수 있다. 상기 방향 제어부(151), 분광 데이터 수집부(152) 및 노면 판정부(154)는 현재 시점에서 획득된 분광 이미지를 기반으로 현재 노면 상태를 분석하는데 이용될 수 있다.
상기 방향 제어부(151)는 분광 카메라(210)의 방향을 제어할 수 있다. 일 예로서, 상기 방향 제어부(151)는 분광 카메라(210)가 지정된 제1 방향에 대한 분광 이미지를 획득하면, 제2 방향을 향하도록 구동부(220)를 제어하고, 분광 카메라(210)가 제2 방향에 대한 분광 이미지를 획득하면, 제3 방향을 향하도록 구동부(220)를 제어하여 분광 카메라(210)가 제3 방향에 대한 분광 이미지를 획득하도록 제어할 수 있다. 상술한 바와 같이, 방향 제어부(151)는 분광 카메라(210)가 다양한 방향에 대한 분광 이미지를 획득할 수 있도록 구동부(220)를 제어할 수 있다. 상술한 방향 제어부(151)의 분광 카메라(210)가 지정된 방향에 대한 분광 이미지만을 촬영하도록 설계된 경우, 생략될 수도 있다.
상기 분광 데이터 수집부(152)는 지정된 이벤트가 발생하면, 해당 이벤트에 대응하여 도로(20)의 노면에 대한 분광 이미지를 획득할 수 있다. 일 예로서, 분광 데이터 수집부(152)는 비지도 학습부(153)의 요청에 대응하여 사전 정의된 조건 하에 도로(20)의 노면 일 지점에 대한 분광 이미지를 복수개 획득할 수 있다. 예컨대, 분광 데이터 수집부(152)는 지정된 서버 장치로부터 최소 라벨링된 분광 데이터들을 수집하거나, 라벨링되지 않은 분광 데이터들(예: 정상 상태 비율이 이상 상태 비율보다 일정 비율 이상 더 많은)을 수신할 수 있다. 또는, 분광 데이터 수집부(152)는 별도의 라벨링되지 않은 분광 데이터들을 서버 장치로부터 수신한 후, 노면 탐지 시스템 관리자에게 라벨링을 요청하기 위한 프로세스를 수행할 수도 있다.
일 예로서, 비지도 학습부(153)의 요청에 대응하여, 분광 데이터 수집부(152)는 도로(20)의 노면이 정상 상태일 확률이 높은 환경 하에서 분광 카메라(210)를 이용하여 도로(20)의 노면 일 지점에 대한 분광 이미지들을 일정 개수 이상 획득하고, 획득된 분광 이미지들에 정상 상태로 라벨링을 수행할 수 있다. 또는 분광 데이터 수집부(152)는 별도의 환경 고려 없이 분광 카메라(210)를 이용하여 도로(20)의 노면 일 지점에 대한 분광 이미지들을 획득하고, 획득된 분광 이미지들을 노면 탐지 시스템을 관리하는 관리자에게 라벨링을 요청하는 프로세스를 수행할 수 있다.
다른 예로서, 비지도 학습부(153)의 요청에 대응하여, 분광 데이터 수집부(152)는 사전 정의된 조건에 따라 도로(20)의 노면이 정상 상태일 확률이 높은 환경 하에서 제1 비율(또는 제1 개수)만큼 분광 이미지들을 획득하고, 이상 상태일 확률이 높은 환경 또는 정상 상태 이외의 환경 하에서 제2 비율(또는 제2 개수, 제1 비율과 제2 비율의 합은 1이며, 제1 비율이 제2 비율보다 큼, 제1 개수와 제2 개수의 합은 목표 개수이고, 제1 개수는 제2 개수보다 큼)만큼 분광 이미지들을 획득할 수 있다.
상기 분광 데이터 수집부(152)는 사전 정의된 이벤트 예컨대, 비가 내리거나 눈이 오는 경우 또는 외부 온도가 지정된 온도 미만인 경우, 분광 카메라(210)를 제어하여 노면에 관한 분광 이미지를 획득하도록 제어할 수 있다. 이와 관련하여, 상기 분광 카메라 장치(200)는 비 또는 눈이 오는지 여부를 감지할 수 있는 동작 감지 센서, 외부 온도를 측정할 수 있는 외부 온도 센서 중 적어도 하나를 더 포함할 수 있다. 또는, 분광 데이터 수집부(152)는 지정된 시간이 도래하면 분광 카메라(210)를 제어하여 노면에 관한 분광 이미지를 획득하도록 제어할 수 있다. 상기 지정 시간은 사전 정의된 일정 시간이 될 수 있다. 예컨대, 통계적으로 노면의 결빙이 많이 발생하는 시간, 통계적으로 노면 상태가 젖는 시간 등이 될 수 있다. 또는, 분광 데이터 수집부(152)는 사전 정의된 주기에 따라 분광 카메라(210)를 제어하여 노면에 관한 분광 이미지를 획득하도록 제어할 수도 있다.
상기 비지도 학습부(153)는 관심 정상 상태에 대해서만 라벨링(labeling)을 수행하는 경우 인공신경망 학습용 데이터를 구성하기 위해(또는 클러스터링을 수행하기 위해) 관심 정상상태에 해당하는 데이터 중 라벨링 이 실제로 수행된 데이터를 메모리(130)(또는 데이터베이스)로부터 추출한다. 비지도 학습부(153)는 데이터베이스로부터 추출된 데이터를 클러스터링하고, 클러스터링된 데이터들 중 가장 밀도가 높은 클러스터를 하나 선택한다. 여기서, 비지도 학습부(153)는 클러스터링과 관련하여 K-means clustering을 사용할 수 있으며, variational auto-encoder (VAE)등을 활용하는 인공신경망 기반 클러스터링을 수행할 수도 있다. 또한, 비지도 학습부(153)는 선택한 클러스터의 평균(μ)과 표준편차(σ)를 산출하고, 사전 정의된 일정 범위 예컨대, μ ± 1.5σ 이내의 샘플만을 한차례 더 추출한다. 여기서, 상기 1.5는 표준편차 계수로서, 노면 탐지 시스템의 관리자 설정에 따라 조정될 수 있다.
상기 비지도 학습부(153)는 클러스터로부터 추출된 분광 샘플들 (관심 정상상태에 해당되는 μ ± 1.5σ 이내의 샘플)을 기반으로 인공신경망을 비지도 학습한다. 예컨대, 비지도 학습부(153)는 복원 오차 기반 이상 탐지 모델을 생성할 수 있다. 이 과정에서, 비지도 학습부(153)는 클러스터로부터 추출된 분광 샘플을 지정된 비율(예: 8:2)로 나누고, 제1 비율 그룹(또는 제2 비율 그룹)은 학습용으로 사용하고, 제2 비율 그룹(또는 제1 비율 그룹)은 검증용 셋으로 사용할 수 있다. 비지도 학습에 사용하는 인공신경망은 auto-encoder (AE) 계열 중 하나 이상을 선택적으로 사용할 수 있으며 generative adversarial network (GAN)도 이 중 하나로 포함될 수 있다. AE 구성은 multi-layer perceptron, convolutional neural network, recurrent neural network, graph neural network 등 제약을 두지 않으며 하나 이상 선택 및 조합될 수 있다. 비지도 학습부(153)는 학습이 종료되는 시점에서 검증용 셋에 해당하는 스펙트럼 샘플들의 입력과 출력의 복원오차를 모두 측정한다. 측정한 복원오차의 평균과 표준편차를 산출하여 (μ1) ± 1.5(σ1)의 허용범위를 설정한다. 상기 1.5는 표준편차 계수로 사용자 설정에 따라 조정될 수 있다.
노면 판정부(154)는 학습이 완료된 인공신경망에 새로 입력되는 데이터의 복원오차가 (μ1) ± 1.5(σ1)을 벗어나는지 여부를 체크하여 이상 여부를 판정한다. 노면 판정부(154)는 판정된 정상/이상 여부에 따라 데이터를 별도로 분리하여 저장할 수 있으며 사용자가 요구하는 경우 해당 데이터를 호출하여 확인하도록 지원할 수 있다.
상기 비지도 학습부(153)는 라벨링이 없는 분광 데이터들에 대한 비지도 학습과 관련하여, 최소 라벨링된 분광 데이터들을 수집하는 동작을 제외하고 동일한 동작을 수행할 수 있다. 예컨대, 비지도 학습부(153)는 데이터베이스로부터 추출된 라벨링이 없는 분광 데이터들 각각을 클러스터링하고, 클러스터링된 데이터들 중 가장 밀도가 높은 클러스터를 하나 선택한다. 비지도 학습부(153)는 선택한 클러스터의 평균(μ)과 표준편차(σ)를 산출하고, 사전 정의된 일정 범위 예컨대, μ ± 1.5σ 이내의 샘플만을 한차례 더 추출하며, 클러스터로부터 추출된 분광 샘플들 (관심 정상상태에 해당되는 μ ± 1.5σ 이내의 샘플)을 기반으로 인공신경망을 비지도 학습한다. 이 과정에서, 비지도 학습부(153)는 최소 라벨링된 분광 데이터들의 샘플 처리와 동일하게, 클러스터로부터 추출된 분광 샘플을 지정된 비율(예: 8:2)로 나누고, 제1 비율 그룹(또는 제2 비율 그룹)은 학습용으로 사용하고, 제2 비율 그룹(또는 제1 비율 그룹)은 검증용 셋으로 사용할 수 있다. 비지도 학습부(153)는 학습이 종료되는 시점에서 검증용 셋에 해당하는 스펙트럼 샘플들의 입력과 출력의 복원오차를 모두 측정하여, (μ1) ± 1.5(σ1)의 허용범위를 설정한다. 상술한 라벨링 없는 분광 데이터들 기반의 비지도 학습 동작을 수행하는 과정에서, 비지도 학습부(153)는 신규 수집되는 데이터에 대한 정상/이상 판정 여부를 일정 수준 이상 누적하고, 노면 탐지 시스템 관리자에게 주기적으로 정상 상태의 데이터가 관심 정상상태 (정상노면)에 대한 데이터가 맞는지 확인을 요청할 수 있다. 시스템 운용 신뢰성을 위해 노면 탐지 시스템 관리자는 사용자는 최소 한 번 이상 판정한 데이터 그룹에 대한 정상/이상 여부를 지정함으로써 현재 운용 중인 인공신경망을 계속 운용할지 새로 학습할지 여부를 선택할 수 있다. 비지도 학습이 완료된 후, 학습 결과는 메모리(130)에 저장될 수 있다.
노면 판정부(154)는 메모리(130)에 저장된 학습 결과와, 현재 분광 카메라(210)가 획득한 노면의 분광 이미지를 상호 비교 분석하여 현재 시점의 노면 상태를 결정할 수 있다. 상기 노면 판정부(154)는 결정된 노면 상태 정보를 지정된 차량 또는 서버 장치에 전송할 수 있다. 일 예로, 상기 노면 판정부(154)는 노면 상태 정보를 분광 이미지를 획득한 노면의 위치로부터 일정 거리 이내에 있는 차량에 전송하거나, 노면 관리를 수행하도록 설계된 서버 장치에 전송할 수 있다. 또는, 노면 판정부(154)는 노면 상태에 대응하는 차량 행동 지침을 메모리(130)에서 획득하고, 획득된 차량 행동 지침을 지정된 차량(예: 해당 도로(20)의 노면에 진입할 예정인 적어도 하나의 차량 - 또는 노면으로부터 사전 정의된 일정 거리 이내에서 상기 노면 지점 방향으로 진입하는 차량)에 전송할 수 있다.
상술한 바와 같이, 상기 프로세서(150)는 비지도 학습을 통하여 분광 데이터들에 대한 라벨링 부담을 최소화하거나 제거하면서도, 노면 상태 분석을 위한 일정 기준치 이상의 학습을 수행하고, 그 결과를 기반으로 도로(20)의 노면 상태를 분석함으로써, 노면 상태 분석에 대한 정확도를 개선할 수 있도록 지원한다.
도 4는 본 발명의 실시 예에 따른 노면 탐지 시스템의 다른 예를 나타낸 도면이다.
도 4를 참조하면, 본 발명의 실시 예에 따른 노면 탐지 시스템(11)은 도로(20) 및 제2 타입 노면 탐지 장치(2000)를 장착한 차량(50)을 포함할 수 있다.
상기 도로(20)는 앞서 설명한 도로(20)와 실질적으로 동일한 도로의 구성을 포함할 수 있다. 예컨대, 상기 도로(20)는 차량(50)이 이동할 수 있는 다양한 형태의 차도를 포함할 수 있다. 예컨대, 상기 도로(20)는 포장 도로 및 비포장 도로를 포함할 수 있으며, 포장 도로도 다양한 형태의 포장 도로 예컨대, 아스팔트 포장 도로, 콘크리트 포장 도로 등을 포함할 수 있다. 상기 제2 타입 노면 탐지 장치(2000)는 상기 도로(20)의 노면 적어도 일 지점에 대한 분광 이미지를 촬영할 수 있다.
상기 차량(50)은 복수개의 바퀴, 바퀴를 구동할 수 있는 동력을 생성하는 동력 생성부, 생성된 동력을 바퀴에 전달하는 동력 전달 시스템, 진행 방향을 조향할 수 있는 조향 장치, 속도를 감속시킬 수 있는 브레이크 장치, 속도 변경에 관여하는 기어 장치를 포함할 수 있다. 특히, 상기 차량(50)에 포함된 복수개의 바퀴는 각각 타이어가 배치될 수 있으며, 이에 따라, 도로(20) 표면과 접촉되는 구조물은 차량(50)의 타이어가 될 수 있다. 본 발명의 차량(50)은 예컨대, 상기 제2 타입 노면 탐지 장치(2000)를 포함할 수 있다. 상기 제2 타입 노면 탐지 장치(2000)는 예컨대, 차량의 하부, 측면 등 저어도 일부 부분에 설치되어 운용될 수 있다.
제2 타입 노면 탐지 장치(2000)는 차량(50)의 내측에 배치되는 제어 장치(100)와 차량(50)의 외측 예컨대, 차량(50)의 전방 노면의 적어도 일부를 촬영할 수 있도록 배치되는 분광 카메라 장치(200)를 포함할 수 있다. 추가로, 상기 제2 타입 노면 탐지 장치(2000)는 제어 장치(100)와 분광 카메라 장치(200)를 연결하는 배선을 포함할 수 있다.
상기 제2 타입 노면 탐지 장치(2000)의 제어 장치(100)는 앞서 도 2에서 설명한 바와 같이, 통신 회로, 메모리 및 프로세서를 포함할 수 있다. 상기 프로세서는 앞서 도 3에서 설명한 바와 같이 방향 제어부, 분광 데이터 수집부, 비지도 학습부 및 노면 판정부를 포함할 수 있다. 여기서, 상기 통신 회로는 분광 카메라 장치(200)와의 유선 연결을 지원하는 유선 통신 모듈 또는 분광 카메라 장치(200)에 배치된 근거리 무선 통신 회로와 통신 채널을 형성할 수 있는 근거리 무선 통신 모듈을 포함할 수 있다. 제2 타입 노면 탐지 장치(2000)의 경우, 별도의 노면 판정 결과의 전송이 수행되지 않도록 설계될 수 있으며, 이 경우, 통신 회로는 기지국을 통한 데이터 전송 기능의 생략에 대응하여 해당 통신 모듈이 배제될 수 있다.
기타 구성은 앞서 도 2 및 도 3에서 설명한 각 구성의 역할과 실질적으로 동일 또는 유사한 기능을 지원할 수 있다.
상술한 바와 같이, 제2 타입 노면 탐지 장치(2000)는 제1 타입 노면 탐지 장치(1000)와 다르게 이동형 장치에 설치되어 노면에 대한 분광 이미지를 획득하고, 그에 따른 노면 상태 분석 결과를 제공할 수 있다. 이러한 제2 타입 노면 탐지 장치(2000)는 이동하면서 도로(20)의 노면에 대한 다양한 분광 데이터들을 수집하고, 수집된 분광 데이터들에 대한 비지도 학습을 수행할 수 있다. 이 동작에서, 제2 타입 노면 탐지 장치(2000)는 일정 도로 지점(또는 일정 도로 지점을 기준으로 일정 범위의 도로)에 대한 분광 데이터들을 그룹핑하고, 각 위치별로 비지도 학습 결과를 분류하여 저장할 수 있다. 예컨대, 제2 타입 토면 탐지 장치(2000)는 위치별 비지도 학습 결과를 분류하여 저장하고, 노면 판정 시, 현재 시점에 획득된 도로(20)의 노면 일 지점에 대한 분광 이미지 및 현재 위치 정보를 획득하고, 현재 위치에 대응하는 비지도 학습 결과와 현재 지점의 분광 이미지를 상호 비교 분석하여 노면의 이상 상태 여부를 판정할 수 있다.
한편, 상술한 제1 타입 노면 탐지 장치(1000) 및 제2 타입 노면 탐지 장치(2000)는 서로 배타적인 구성이 아니어서, 특정 도로(20) 상에 제1 타입 노면 탐지 장치(1000)가 설치되고 운용되고 있는 상태에서, 제2 타입 노면 탐지 장치(2000)를 포함한 차량(50)이 해당 도로(20)를 주행할 수도 있다. 이 경우, 차량(50)은 제2 타입 노면 탐지 장치(2000)로부터 노면 판정 결과를 수신할 수 있을 뿐만 아니라, 제1 타입 노면 탐지 장치(1000)로부터 특정 지점의 노면 상태 정보를 수신할 수 있다. 여기서, 제1 타입 노면 탐지 장치(1000)는 자신의 위치 정보를 함께 차량에 전송하고, 차량(50)은 수신된 노면 상태 정보를 출력하되, 차량(50)이 주행 중인 네비게이션 정보 상에 노면 상태 정보 및 노면 위치 정보를 함께 출력할 수 있다. 이 동작에서, 상기 차량(50)은 노면 상태 별로 서로 다른 색 또는 서로 다른 질감을 가지도록 표현함으로써, 도로(20)의 노면 상태가 변경됨을 운전자가 쉽게 확인할 수 있도록 지원할 수 있다. 또한, 차량(50)은 노면 상태에 따라 차량의 행동 지침에 대한 정보를 팝업창을 통해 출력함으로써, 차량(50)의 감속 또는 정속 등의 주행 상태 변화를 유도하여 차량(50)이 보다 안전하게 도로(20)를 주행할 수 있도록 지원할 수 있다.
도 5는 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 한 예를 나타낸 도면이다.
도 5를 참조하면, 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 상태 분석 방법과 관련하여, 501 단계에서, 노면 탐지 장치(1000 or 2000)의 제어 장치(100)는 라벨링된 데이터 수집을 수행할 수 있다. 상기 라벨링된 데이터는 예컨대, 최소 속성(또는 카테고리)으로 라벨링된 데이터를 포함할 수 있다. 일 예로, 라벨링된 데이터는 정상 상태 분광 데이터들만을 포함할 수 있다. 상기 최소 속성 라벨링된 데이터는 특정 서버 장치로부터 수신하거나, 노면 탐지 시스템의 관리자에 의해 생성될 수 있다. 예컨대, 관리자는 도로(20)의 노면 일 지점에 대한 분광 데이터들을 수집하고, 수집된 데이터들에 대한 최소 속성 라벨링(예: 마른 노면에서 취득한 분광 데이터를 정상 상태로 라벨링하되, 노면의 종류가 아스팔트인지 시멘트인지 등에 대한 세부 정보 라벨링은 수행하지 않는 라벨링)을 수행하여 라벨링된 데이터를 생성할 수 있다. 이를 통해, 관리자는 모든 분광 데이터들에 대한 라벨링을 수행하는데 소용되는 자원 소모를 절약할 수 있다. 상기 노면 탐지 시스템은 정상 상태인 마른 노면에 대한 라벨링만을 수행하는 것으로 학습을 진행할 수 있다.
503 단계에서, 제어 장치(100)는 데이터 클러스터링을 수행할 수 있다. 예컨대, 제어 장치(100)는 인공신경망 학습용 데이터를 구성하기 위해 최소 라벨링된 분광 데이터들에 대한 스펙트럼을 분리하여 각각의 클러스터를 생성하는 클러스터링을 수행할 수 있다. 클러스터링 과정에서 제어 장치(100)는 K-means clustering, variational auto-encoder(VAE)를 활용하여 인공신경망 기반 클러스터링을 수행할 수 있다.
505 단계에서, 제어 장치(100)는 지정 조건을 만족하는 클러스터를 선택할 수 있다. 예컨대, 제어 장치(100)는 클러스터링된 결과들에서 가장 밀도가 높은 클러스터를 선택할 수 있다.
507 단계에서, 제어 장치(100)는 분광 샘플을 추출할 수 있다. 예컨대, 제어 장치(100)는 선택된 클러스터의 평균과 표준 편차를 산출하고, 사전 정의된 일정 조건 예컨대, 제어 장치(100)는 관심 정상 상태에 해당하는, 표준 편차에 지정된 상수 값을 곱한 값과 평균 값을 더한 값의 범위 이내의 샘플들을 추출할 수 있다. 여기서, 상수 값은, 1, 1.5, 3 등 다양한 상수 값이 적용될 수 있다.
509 단계에서, 제어 장치(100)는 비지도 학습을 수행할 수 있다. 예컨대, 제어 장치(100)는 산출된 분광 샘플들에 인공신경망에 적용하여 비지도 학습을 수행할 수 있다. 이 과정을 통해, 제어 장치(100)는 복원 오차 기반 이상 탐지 모델을 생성할 수 있다. 비지도 학습 과정에서, 제어 장치(100)는 분광 샘플들을 일정 비율로 분류하고, 분류된 그룹들 중 제1 그룹을 학습용으로 사용하고, 나머지 제2 그룹을 검증용 셋으로 사용할 수 있다. 비지도 학습에서 사용하는 인공신경망은 auto-encoder (AE) 계열 중 하나 이상을 선택적으로 사용할 수 있으며 generative adversarial network (GAN)도 이 중 하나로 포함될 수 있다. AE 구성은 multi-layer perceptron, convolutional neural network, recurrent neural network, graph neural network 등 제약을 두지 않으며 하나 이상 선택 및 조합될 수 있다. 학습이 종료된 시점에서 제어 장치(100)는 검증용 셋에 해당하는 스펙트럼 샘플들의 입력과 출력의 복원 오차를 모두 측정하고, 측정한 복원오차의 평균과 표준편차를 산출하여 (μ1) ± 1.5(σ1)의 허용범위를 설정할 수 있다. 여기서, 1.5는 표준편차 계수로서, 노면 탐지 시스템의 관리자 설정에 따라 조절될 수 있다.
511 단계에서, 제어 장치(100)는 입력 데이터의 이상 상태가 발생했는지 여부를 확인할 수 있다. 이와 관련하여, 제어 장치(100)는 도로(20)의 노면 일 지점에 대한 분광 이미지를 입력 데이터로 수집하고, 수집된 입력 데이터를 상기 비지도 학습된 이상 탐지 모델과 비교 분석하여 이상 상태 발생 여부를 확인할 수 있다.
511 단계에서 입력 데이터의 이상 상태가 발생한 경우, 제어 장치(100)는 입력 데이터를 메모리(130)에 저장하되, 이상 상태 발생을 첨가하여 저장할 수 있다. 513 단계에서 입력 데이터의 이상 상태 발생이 없는 경우, 제어 장치(100)는 입력 데이터를 메모리(130)에 저장하되, 정상 상태로 저장할 수 있다. 추가적으로, 제어 장치(100)는 관리자 요청에 대응하여 입력 데이터에 대한 이상 판단 여부 결과를 출력할 수 있다. 이와 관련하여, 제어 장치(100)는 디스플레이 장치를 더 포함하거나 또는 관리자가 운용하는 디스플레이 장치에 해당 이상 판단 여부 결과를 전송할 수 있다.
517 단계에서, 제어 장치(100)는 노면 탐지 기능 종료 여부를 확인할 수 있다. 노면 탐지 기능을 종료하기 위한 이벤트 발생이 없는 경우, 501 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 또는, 비지도 학습이 완료된 경우, 제어 장치(100)는 511 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 노면 탐지 기능을 종료하기 위한 이벤트가 발생한 경우, 제어 장치(100)는 노면 탐지 기능 종료를 수행할 수 있다.
한편, 상술한 501 단계 내지 509 단계와 511 단계 내지 517 단계는 서로 독립적으로 운용될 수도 있다. 예컨대, 제어 장치(100)는 도로(20)의 노면 분석을 위한 이상 탐지 모델 생성을 위해 501 단계 내지 509 단계를 수행하여 이상 탐지 모델을 생성하고, 생성된 이상 탐지 모델을 메모리(130)에 저장 관리할 수 있다. 이후 제어 장치(100)는 도로(20)의 일 지점에 대한 이상 상태 여부를 요청하는 이벤트가 발생하면, 511 단계 내지 517 단계를 수행할 수도 있다.
도 6은 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 다른 예를 나타낸 도면이다.
도 6을 참조하면, 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 상태 분석 방법과 관련하여, 601 단계에서, 노면 탐지 장치(1000 or 2000)의 제어 장치(100)는 사전 정의된 비율의 정상 데이터 및 이상 데이터를 수집할 수 있다. 상기 사전 정의된 비율의 정상 데이터 및 이상 데이터는 라벨링되지 않은 분광 데이터들일 수 있다. 이와 관련하여, 제어 장치(100)는 확률적으로 정상 데이터가 이상 데이터보다 일정 비율 이상 많은 분광 데이터들을 서버 장치로부터 수신하거나 또는 분광 카메라(210)를 이용하여 수집할 수 있다. 일 예로서, 제어 장치(100)는 계절과, 시간 및 날씨 정보를 수집하고, 수집된 정보를 토대로 노면이 마른 상태일 확률이 높은 환경에서 도로(20)의 노면 일 지점에 대한 분광 데이터들을 수집하고, 별도의 라벨링 수행 없이 603 단계에서 비지도 학습을 수행할 수 있다.
이와 관련하여, 상기 제어 장치(100)는 앞서 503 단계 내지 509 단계를 라벨링되지 않은 분광 데이터들에 대하여 적용할 수 있다. 즉, 제어 장치(100)는 라벨링되지 않은 분광 데이터들에 대하여 데이터 클러스터링을 수행하고, 지정 조건을 만족하는 적어도 하나의 클러스터를 선택한 후, 선택된 클러스터에 대하여 일정 범위의 분광 샘플을 추출한 후, 추출된 분광 샘플들에 대한 비지도 학습을 인공신경망을 이용하여 수행할 수 있다.
이후, 603 단계 내지 609 단계에서, 제어 장치(100)는 앞서 도 5에서 설명한 503 단계 내지 509 단계에서와 같이, 데이터 클러스터링, 지정 조건을 만족하는 클러스터 선택, 선택된 클러스터로부터 분광 샘플 추출, 추출된 분광 샘플을 이용하여 비지도 학습 수행의 동작을 수행할 수 있다.
비지도 학습이 종료되면, 제어 장치(100)는 학습 결과를 이용하여 605 단계에서 입력 데이터 이상 상태 발생을 확인할 수 있다. 이상 상태가 발생한 경우, 제어 장치(100)는 607 단계에서 해당 입력 데이터를 이상 상태로 저장할 수 있다.
한편, 입력 데이터 이상 상태 발생이 없는 경우, 제어 장치(100)는 609 단계에서 사용자(또는 노면 탐지 시스템 관리자) 확인을 수행할 수 있다. 이와 관련하여, 제어 장치(100)는 입력 데이터에 대한 정상 상태 판단에 대한 확인을 위해 해당 정보를 출력할 수 있는 디스플레이 장치를 더 포함하고, 상기 디스플레이 장치에 상기 정상 상태 판단 결과의 확인을 요청하는 화면을 출력할 수 있다. 사용자 확인을 통해, 해당 입력 데이터가 이상 상태가 발생한 경우 607 단계로 분기하여 해당 입력 데이터를 이상 상태로 저장할 수 있다. 사용자 확인을 통하여 정상 상태로 판단된 경우, 제어 장치(100)는 611 단계에서 입력 데이터를 정상 상태로 저장할 수 있다.
613 단계에서, 제어 장치(100)는 노면 탐지 기능 종료 여부를 확인할 수 있다. 613 단계의 노면 탐지 기능 종료에 따른 분기는 이전 517 단계와 동일 또는 유사하게 동작할 수 있다.
도 7은 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 탐지 방법의 또 다른 예를 나타낸 도면이다.
도 7을 참조하면, 본 발명의 실시 예에 따른 비지도 학습 기반의 노면 상태 분석 방법과 관련하여, 701 단계에서, 노면 탐지 장치(1000 or 2000)의 제어 장치(100)는 분광 데이터를 수집할 수 있다. 상기 분광 데이터는 예컨대, 지정된 서버 장치로부터 수신할 수 있다. 또는, 상기 분광 데이터는 노면 탐지 시스템 관리자에 의해 수집되어, 제어 장치(100)의 통신 회로(110)를 통해 수신할 수 있다.
상기 분광 데이터가 수집되면, 제어 장치(100)는 703 단계에서 수집된 분광 데이터의 라벨이 존재하는지 확인할 수 있다. 분광 데이터의 라벨이 존재하는 경우, 제어 장치(100)는 705 단계에서 라벨링된 데이터 기반 비지도 학습을 수행할 수 있다. 예컨대, 상기 제어 장치(100)는 앞서 도 5에서 설명한 501 단계 내지 509 단계를 통해 라벨링된 데이터 기반 비지도 학습을 수행하여 이상 상태 탐지 모델을 생성할 수 있다.
한편, 분광 데이터의 라벨이 존재하지 않는 경우, 제어 장치(100)는 707 단계로 라벨링되지 않은 분광 데이터 기반 비지도 학습을 수행할 수 있다. 상기 707 단계 수행과 관련하여, 상기 제어 장치(100)는 앞서 도 6에서 설명한 단계들을 수행할 수 있다.
이상에서 설명한 바와 같이, 본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다.
또한, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 통상의 기술자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
10, 11: 노면 탐지 시스템
20: 도로
30: 거치 구조물
31: 기둥부
32: 연장부
50: 차량
100: 제어 장치
110: 통신 회로,
130: 메모리
150: 프로세서
200: 분광 카메라 장치
210: 분광 카메라
220: 구동부
20: 도로
30: 거치 구조물
31: 기둥부
32: 연장부
50: 차량
100: 제어 장치
110: 통신 회로,
130: 메모리
150: 프로세서
200: 분광 카메라 장치
210: 분광 카메라
220: 구동부
Claims (13)
- 분광 카메라를 포함하는 분광 카메라 장치;
상기 분광 카메라 장치와 기능적으로 연결된 제어 장치;를 포함하고,
상기 제어 장치는
분광 데이터를 수집하는 통신 회로;
상기 분광 데이터를 저장하는 메모리;
상기 통신 회로 및 상기 메모리와 기능적으로 연결된 프로세서;를 포함하고,
상기 프로세서는,
도로의 노면에 대한 복수의 분광 데이터들을 수집하고,
상기 수집된 분광 데이터들에 대한 데이터 클러스터링을 수행하여 복수의 클러스터를 생성하고,
상기 복수의 클러스터들 중 지정 조건을 만족하는 클러스터를 선택하고,
상기 선택된 클러스터로부터 분광 샘플을 추출하고,
상기 추출된 분광 샘플에 대한 비지도 학습을 수행하여 이상 상태 탐지 모델을 생성하는 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제1항에 있어서,
상기 클러스터링은
K-means clustering 또는 variational auto-encoder를 포함하는 클러스터링 방법 중 하나를 활용하여 수행하도록 설정된 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제1항에 있어서,
상기 프로세서는
상기 복수의 클러스터들 중 가장 밀도가 높은 클러스터를 선택하는 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제1항에 있어서,
상기 프로세서는
선택된 클러스터의 평균과 표준 편차를 산출하고, 상기 평균 기준 일정 범위 이내의 표준 편차 값 범위의 샘플들을 상기 분광 샘플들로 추출하도록 설정된 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제1항에 있어서,
상기 프로세서는
상기 비지도 학습과 관련하여, 상기 분광 샘플들 중 제1 비율의 제1 그룹을 상기 비지도 학습에 적용하고, 상기 분광 샘플들 중 제2 비율의 제2 그룹을 상기 비지도 학습 결과에 대한 검증용 셋으로 적용하도록 설정된 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제5항에 있어서,
상기 프로세서는
상기 비지도 학습과 관련하여, generative adversarial network (GAN), multi-layer perceptron, convolutional neural network, recurrent neural network, graph neural network 인공신경망 중 적어도 하나 또는 그 조합을 기반으로 상기 분광 샘플들에 대한 비지도 학습을 수행하도록 설정된 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제5항에 있어서,
상기 프로세서는
상기 비지도 학습 결과에 상기 검증용 셋의 입력과 출력에 대한 복원 오차를 측정하여 허용 범위를 설정하는 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제7항에 있어서,
상기 프로세서는
상기 분광 카메라 장치로부터 도로의 노면 일 지점에 대한 새 분광 데이터를 수집하고, 상기 비지도 학습 결과에 상기 수집된 새 분광 데이터를 입력하고, 데이터의 복원 오차가 상기 허용 범위를 벗어나는지 여부를 확인하여 상기 새 분광 데이터의 이상 상태 여부를 판정하도록 설정된 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제1항에 있어서,
상기 복수의 분광 데이터들은,
상기 도로의 노면에 대해 최소 속성으로 라벨링된 복수의 분광 데이터들, 상기 도로의 노면이 마른 노면인 정상 상태 데이터의 데이터들이 이외의 상태인 이상 상태 데이터보다 사전 정의된 일정 비율 이상 많은 복수의 분광 데이터들을 포함하는 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 제9항에 있어서,
상기 프로세서는,
상기 복수의 분광 데이터들이 라벨링이 없는 경우, 상기 이상 상태 탐지 모델을 이용한 새 분광 데이터의 이상 판정 수행 시, 사용자 확인을 요청하도록 설정된 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지를 수행하는 노면 탐지 장치. - 도로의 노면에 대한 복수의 분광 데이터들을 수집하는 단계;
상기 수집된 분광 데이터들에 대한 데이터 클러스터링을 수행하여 복수의 클러스터를 생성하는 단계;
상기 복수의 클러스터들 중 가장 밀도가 높은 클러스터를 선택하는 단계;
상기 선택된 클러스터의 스펙트럼 평균 및 스펙트럼 표준편차를 이용하여 일정 범위 이내의 분광 샘플을 추출하는 단계;
인공신경망을 이용하여 상기 추출된 분광 샘플에 대한 비지도 학습을 수행하여 이상 상태 탐지 모델을 생성하는 단계;
상기 이상 상태 탐지 모델을 이용하여 새 분광 데이터에 대한 이상 상태 여부를 판정하는 단계;를 포함하는 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지 방법. - 제11항에 있어서,
상기 복수의 분광 데이터들은,
상기 도로의 노면에 대해 최소 속성으로 라벨링된 복수의 분광 데이터들, 상기 도로의 노면이 마른 노면인 정상 상태 데이터의 데이터들이 이외의 상태인 이상 상태 데이터보다 사전 정의된 일정 비율 이상 많은 복수의 분광 데이터들을 포함하는 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지 방법. - 제12항에 있어서,
상기 복수의 분광 데이터들이 라벨링이 없는 경우, 상기 이상 상태 탐지 모델을 이용한 새 분광 데이터의 이상 판정 수행 시, 사용자 확인을 요청하는 단계;를 더 포함하는 것을 특징으로 하는 비지도 학습 기반 노면 상태 탐지 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220162400A KR20240079468A (ko) | 2022-11-29 | 2022-11-29 | 비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 탐지 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220162400A KR20240079468A (ko) | 2022-11-29 | 2022-11-29 | 비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 탐지 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240079468A true KR20240079468A (ko) | 2024-06-05 |
Family
ID=91470637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220162400A KR20240079468A (ko) | 2022-11-29 | 2022-11-29 | 비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 탐지 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240079468A (ko) |
-
2022
- 2022-11-29 KR KR1020220162400A patent/KR20240079468A/ko unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102167291B1 (ko) | 도로 상태 정보 수집 시스템 및 방법 | |
| US20150178572A1 (en) | Road surface condition classification method and system | |
| US10987977B2 (en) | Systems and methods for measuring tire wear using embedded image sensors | |
| US9335178B2 (en) | Method for using street level images to enhance automated driving mode for vehicle | |
| CN103184719B (zh) | 道路表面调查装置 | |
| US20180124319A1 (en) | Method and apparatus for real-time traffic information provision | |
| CN108760740B (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
| US10467482B2 (en) | Method and arrangement for assessing the roadway surface being driven on by a vehicle | |
| KR102167292B1 (ko) | 이기종 센싱값을 이용한 도로 상태 정보 수집 장치 및 방법 | |
| CN111038522B (zh) | 评估驾驶员辅助系统的训练数据集的车辆控制单元和方法 | |
| WO2021195955A1 (zh) | 检测车辆行驶场景的复杂度的方法和装置 | |
| CN105788313A (zh) | 一种高速公路路面结冰的监测识别装置及方法 | |
| US11615551B2 (en) | Assessing visibility of a target object with autonomous vehicle fleet | |
| CN110660141B (zh) | 路面状况检测方法、装置、电子设备及可读存储介质 | |
| CN212009589U (zh) | 一种基于深度学习的视频识别行车车轨迹获取装置 | |
| CN114358401A (zh) | 一种融合图像和气象环境数据的道路结冰识别方法 | |
| KR102261164B1 (ko) | 도로결빙 판정 알고리즘을 이용한 ai 전광판 시스템 | |
| CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
| KR20240079468A (ko) | 비지도 학습 기반 노면 상태 탐지 방법 및 이를 지원하는 탐지 시스템 | |
| NO20210870A1 (en) | Fog detection device using coordinate system, and method therefor | |
| CN116056288A (zh) | 车辆灯光的控制方法、非易失性存储介质及车辆 | |
| Liu et al. | Real-Time Multi-Task Environmental Perception System for Traffic Safety Empowered by Edge Artificial Intelligence | |
| Cheng et al. | Big-video mining of road appearances in full spectrums of weather and illuminations | |
| KR20240079469A (ko) | 노면 마찰계수 추정 방법 및 이를 지원하는 노면 분석 시스템 | |
| CN112836619A (zh) | 嵌入式车载远红外行人检测方法、系统、设备及存储介质 |