WO2021020905A1 - 차량에서 탑승자의 행동 모니터링 방법 - Google Patents

차량에서 탑승자의 행동 모니터링 방법 Download PDF

Info

Publication number
WO2021020905A1
WO2021020905A1 PCT/KR2020/010071 KR2020010071W WO2021020905A1 WO 2021020905 A1 WO2021020905 A1 WO 2021020905A1 KR 2020010071 W KR2020010071 W KR 2020010071W WO 2021020905 A1 WO2021020905 A1 WO 2021020905A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
occupant
information
processor
data
Prior art date
Application number
PCT/KR2020/010071
Other languages
English (en)
French (fr)
Inventor
박민식
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to US17/625,917 priority Critical patent/US20230182749A1/en
Publication of WO2021020905A1 publication Critical patent/WO2021020905A1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q3/00—Arrangement of lighting devices for vehicle interiors; Lighting devices specially adapted for vehicle interiors
    • B60Q3/80—Circuits; Control arrangements
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • B60W2040/0809—Driver authorisation; Driver identity check
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/043—Identity of occupants
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/223—Posture, e.g. hand, foot, or seat position, turned or inclined
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/227—Position in the vehicle
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle

Definitions

  • the present specification relates to an autonomous driving system and is a method of monitoring a specific behavior of a passenger along with various objects in a vehicle.
  • Vehicles can be classified into internal combustion engine vehicles, external combustion engine vehicles, gas turbine vehicles, or electric vehicles, depending on the type of prime mover used.
  • Autonomous Vehicle refers to a vehicle that can operate on its own without driver or passenger manipulation
  • Automated Vehicle & Highway Systems is a system that monitors and controls such autonomous vehicles so that they can operate on their own.
  • the object of the present specification is to propose an integrated interaction design that recognizes the occupant behavior based on a context in an autonomous driving system.
  • an object of the present specification is to detect an object that is not registered while the vehicle is running, evaluate the significance in the vehicle, and propose a method of updating a monitoring model for object recognition.
  • An aspect of the present specification is a method for monitoring a behavior of a vehicle occupant, the method comprising: acquiring sensing information related to a state of the occupant; Defining objects connected to the occupant by using the vehicle monitoring model based on the sensing information; Based on counting more than a certain number of undefined objects: labeling sensing information of the undefined object; Updating the monitoring model by using the labeling result value; And defining the undefined object by using the monitoring model. Generating context information indicating the state of the occupant based on the defined objects; It may include.
  • the context information may include 1) the person of the occupant, 2) the position of the face and body of the occupant, 3) an object connected to the occupant, and 4) a context related to the occupant's behavior.
  • context information related to the person of the occupant may be generated using a skeleton analysis using the location of the body parts of the occupant and connection information between the body parts.
  • the labeling may be performed through a superset model included in a server connected to the vehicle.
  • the vehicle may be controlled based on a context related to the occupant's behavior.
  • obtaining a face image of the passenger Transmitting the face image of the occupant to a server to authenticate the identity of the occupant; And receiving identification information of the occupant from the server and authenticating the identity of the occupant. It may further include.
  • the identification information may include the number of times the occupant uses the vehicle, registration information of the undefined object, or count information of the undefined object.
  • updating the monitoring model may further include.
  • a vehicle for monitoring the behavior of an occupant comprising: a transceiver; Sensing unit; Memory; And a processor for controlling the transceiver, the sensing unit, and the memory; wherein the processor acquires sensing information related to the state of the occupant through the sensing unit, and monitors the vehicle based on the sensing information
  • Objects connected to the passenger are defined using a model, and based on counting more than a certain number of undefined objects: labeling the sensing information of the undefined object, and the result of the labeling
  • the present specification may propose an integrated interaction design that recognizes the occupant behavior based on a context in an autonomous driving system.
  • the present specification may detect unregistered objects while the vehicle is running, evaluate significance in the vehicle, and update a monitoring model for object recognition.
  • FIG. 1 illustrates a block diagram of a wireless communication system to which the methods proposed in the present specification can be applied.
  • FIG. 2 is a diagram showing an example of a signal transmission/reception method in a wireless communication system.
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • FIG. 4 is a view showing a vehicle according to an embodiment of the present specification.
  • FIG. 5 is a block diagram of an AI device according to an embodiment of the present specification.
  • FIG. 6 is a diagram illustrating a system in which an autonomous driving vehicle and an AI device are linked according to an exemplary embodiment of the present specification.
  • FIG. 13 is an example of a monitoring model update method to which the present specification can be applied.
  • 16 is a block diagram of a general device to which the present specification can be applied.
  • 5G communication (5th generation mobile communication) required by an autonomous driving device and/or an AI processor requiring AI-processed information will be described through paragraphs A to G.
  • FIG. 1 illustrates a block diagram of a wireless communication system to which the methods proposed in the present specification can be applied.
  • a device including an AI module is defined as a first communication device (910 in FIG. 1 ), and a processor 911 may perform a detailed AI operation.
  • a 5G network including another device (AI server) that communicates with the AI device may be a second communication device (920 in FIG. 1), and the processor 921 may perform detailed AI operations.
  • the 5G network may be referred to as the first communication device and the AI device may be referred to as the second communication device.
  • the first communication device or the second communication device may be a base station, a network node, a transmission terminal, a receiving terminal, a wireless device, a wireless communication device, a vehicle, a vehicle equipped with an autonomous driving function, and a connected car.
  • drone Unmanned Aerial Vehicle, UAV
  • AI Artificial Intelligence
  • robot Robot
  • AR Algmented Reality
  • VR Virtual Reality
  • MR Magnetic
  • hologram device public safety device
  • MTC device IoT devices
  • medical devices fintech devices (or financial devices)
  • security devices climate/environment devices, devices related to 5G services, or other devices related to the 4th industrial revolution field.
  • a terminal or user equipment is a mobile phone, a smart phone, a laptop computer, a digital broadcasting terminal, a personal digital assistants (PDA), a portable multimedia player (PMP), a navigation system, and a slate PC.
  • PDA personal digital assistants
  • PMP portable multimedia player
  • slate PC slate PC
  • tablet PC ultrabook
  • wearable device e.g., smartwatch, smart glass
  • head mounted display HMD
  • the HMD may be a display device worn on the head.
  • HMD can be used to implement VR, AR or MR.
  • a drone may be a vehicle that is not human and is flying by a radio control signal.
  • the VR device may include a device that implements an object or a background of a virtual world.
  • the AR device may include a device that connects and implements an object or background of a virtual world, such as an object or background of the real world.
  • the MR device may include a device that combines and implements an object or background of a virtual world, such as an object or background of the real world.
  • the hologram device may include a device that implements a 360-degree stereoscopic image by recording and reproducing stereoscopic information by utilizing an interference phenomenon of light generated by the encounter of two laser lights called holography.
  • the public safety device may include an image relay device or an image device wearable on a user's human body.
  • the MTC device and the IoT device may be devices that do not require direct human intervention or manipulation.
  • the MTC device and the IoT device may include a smart meter, a bending machine, a thermometer, a smart light bulb, a door lock, or various sensors.
  • the medical device may be a device used for the purpose of diagnosing, treating, alleviating, treating or preventing a disease.
  • the medical device may be a device used for the purpose of diagnosing, treating, alleviating or correcting an injury or disorder.
  • a medical device may be a device used for the purpose of examining, replacing or modifying a structure or function.
  • the medical device may be a device used for the purpose of controlling pregnancy.
  • the medical device may include a device for treatment, a device for surgery, a device for (extra-corporeal) diagnosis, a device for hearing aid or a procedure.
  • the security device may be a device installed to prevent a risk that may occur and maintain safety.
  • the security device may be a camera, CCTV, recorder, or black box.
  • the fintech device may be a device capable of providing financial services such as mobile payment.
  • a first communication device 910 and a second communication device 920 include a processor (processor, 911,921), a memory (memory, 914,924), one or more Tx/Rx RF modules (radio frequency modules, 915,925). , Tx processors 912 and 922, Rx processors 913 and 923, and antennas 916 and 926.
  • the Tx/Rx module is also called a transceiver.
  • Each Tx/Rx module 915 transmits a signal through a respective antenna 926.
  • the processor implements the previously salpin functions, processes and/or methods.
  • the processor 921 may be associated with a memory 924 that stores program code and data.
  • the memory may be referred to as a computer-readable medium.
  • the transmission (TX) processor 912 implements various signal processing functions for the L1 layer (ie, the physical layer).
  • the receive (RX) processor implements the various signal processing functions of L1 (ie, the physical layer).
  • the UL (communication from the second communication device to the first communication device) is handled in the first communication device 910 in a manner similar to that described with respect to the receiver function in the second communication device 920.
  • Each Tx/Rx module 925 receives a signal through a respective antenna 926.
  • Each Tx/Rx module provides an RF carrier and information to the RX processor 923.
  • the processor 921 may be associated with a memory 924 that stores program code and data.
  • the memory may be referred to as a computer-readable medium.
  • the first communication device may be a vehicle
  • the second communication device may be a 5G network.
  • FIG. 2 is a diagram showing an example of a signal transmission/reception method in a wireless communication system.
  • the UE when the UE is powered on or newly enters a cell, the UE performs an initial cell search operation such as synchronizing with the BS (S201). To this end, the UE receives a primary synchronization channel (P-SCH) and a secondary synchronization channel (S-SCH) from the BS, synchronizes with the BS, and obtains information such as cell ID. can do.
  • P-SCH primary synchronization channel
  • S-SCH secondary synchronization channel
  • the UE may obtain intra-cell broadcast information by receiving a physical broadcast channel (PBCH) from the BS.
  • PBCH physical broadcast channel
  • the UE may receive a downlink reference signal (DL RS) in the initial cell search step to check the downlink channel state.
  • DL RS downlink reference signal
  • the UE acquires more detailed system information by receiving a physical downlink control channel (PDCCH) and a physical downlink shared channel (PDSCH) according to the information carried on the PDCCH. It can be done (S202).
  • PDCCH physical downlink control channel
  • PDSCH physical downlink shared channel
  • the UE may perform a random access procedure (RACH) for the BS (steps S203 to S206).
  • RACH random access procedure
  • the UE transmits a specific sequence as a preamble through a physical random access channel (PRACH) (S203 and S205), and a random access response for the preamble through the PDCCH and the corresponding PDSCH (random access response, RAR) message can be received (S204 and S206).
  • PRACH physical random access channel
  • RAR random access response
  • a contention resolution procedure may be additionally performed.
  • the UE receives PDCCH/PDSCH (S207) and physical uplink shared channel (PUSCH)/physical uplink control channel as a general uplink/downlink signal transmission process.
  • Uplink control channel, PUCCH) transmission (S208) may be performed.
  • the UE receives downlink control information (DCI) through the PDCCH.
  • DCI downlink control information
  • the UE monitors the set of PDCCH candidates from monitoring opportunities set in one or more control element sets (CORESET) on the serving cell according to the corresponding search space configurations.
  • the set of PDCCH candidates to be monitored by the UE is defined in terms of search space sets, and the search space set may be a common search space set or a UE-specific search space set.
  • the CORESET consists of a set of (physical) resource blocks with a time duration of 1 to 3 OFDM symbols.
  • the network can configure the UE to have multiple CORESETs.
  • the UE monitors PDCCH candidates in one or more search space sets. Here, monitoring means attempting to decode PDCCH candidate(s) in the search space.
  • the UE determines that the PDCCH is detected in the corresponding PDCCH candidate, and performs PDSCH reception or PUSCH transmission based on the detected DCI in the PDCCH.
  • the PDCCH can be used to schedule DL transmissions on the PDSCH and UL transmissions on the PUSCH.
  • the DCI on the PDCCH is a downlink assignment (i.e., downlink grant; DL grant) including at least information on modulation and coding format and resource allocation related to a downlink shared channel, or uplink It includes an uplink grant (UL grant) including modulation and coding format and resource allocation information related to the shared channel.
  • downlink grant i.e., downlink grant; DL grant
  • UL grant uplink grant
  • the UE may perform cell search, system information acquisition, beam alignment for initial access, and DL measurement based on the SSB.
  • SSB is used interchangeably with SS/PBCH (Synchronization Signal/Physical Broadcast Channel) block.
  • SS/PBCH Synchronization Signal/Physical Broadcast Channel
  • the SSB consists of PSS, SSS and PBCH.
  • the SSB is composed of 4 consecutive OFDM symbols, and PSS, PBCH, SSS/PBCH or PBCH are transmitted for each OFDM symbol.
  • the PSS and SSS are each composed of 1 OFDM symbol and 127 subcarriers, and the PBCH is composed of 3 OFDM symbols and 576 subcarriers.
  • Cell discovery refers to a process in which the UE acquires time/frequency synchronization of a cell and detects a cell identifier (eg, Physical layer Cell ID, PCI) of the cell.
  • PSS is used to detect a cell ID within a cell ID group
  • SSS is used to detect a cell ID group.
  • PBCH is used for SSB (time) index detection and half-frame detection.
  • 336 cell ID groups There are 336 cell ID groups, and 3 cell IDs exist for each cell ID group. There are a total of 1008 cell IDs. Information on the cell ID group to which the cell ID of the cell belongs is provided/obtained through the SSS of the cell, and information on the cell ID among 336 cells in the cell ID is provided/obtained through the PSS.
  • the SSB is transmitted periodically according to the SSB period.
  • the SSB basic period assumed by the UE during initial cell search is defined as 20 ms. After cell access, the SSB period may be set to one of ⁇ 5ms, 10ms, 20ms, 40ms, 80ms, 160ms ⁇ by the network (eg, BS).
  • SI is divided into a master information block (MIB) and a plurality of system information blocks (SIB). SI other than MIB may be referred to as RMSI (Remaining Minimum System Information).
  • the MIB includes information/parameters for monitoring a PDCCH scheduling a PDSCH carrying a System Information Block1 (SIB1), and is transmitted by the BS through the PBCH of the SSB.
  • SIB1 includes information related to availability and scheduling (eg, transmission period, SI-window size) of the remaining SIBs (hereinafter, SIBx, x is an integer greater than or equal to 2). SIBx is included in the SI message and is transmitted through the PDSCH. Each SI message is transmitted within a periodic time window (ie, SI-window).
  • RA random access
  • the random access process is used for various purposes.
  • the random access procedure may be used for initial network access, handover, and UE-triggered UL data transmission.
  • the UE may acquire UL synchronization and UL transmission resources through a random access process.
  • the random access process is divided into a contention-based random access process and a contention free random access process.
  • the detailed procedure for the contention-based random access process is as follows.
  • the UE may transmit the random access preamble as Msg1 in the random access procedure in the UL through the PRACH.
  • Random access preamble sequences having two different lengths are supported. Long sequence length 839 is applied for subcarrier spacing of 1.25 and 5 kHz, and short sequence length 139 is applied for subcarrier spacing of 15, 30, 60 and 120 kHz.
  • the BS When the BS receives the random access preamble from the UE, the BS transmits a random access response (RAR) message (Msg2) to the UE.
  • RAR random access response
  • the PDCCH for scheduling the PDSCH carrying the RAR is transmitted after being CRC masked with a random access (RA) radio network temporary identifier (RNTI) (RA-RNTI).
  • RA-RNTI random access radio network temporary identifier
  • a UE that detects a PDCCH masked with RA-RNTI may receive an RAR from a PDSCH scheduled by a DCI carried by the PDCCH.
  • the UE checks whether the preamble transmitted by the UE, that is, random access response information for Msg1, is in the RAR.
  • Whether there is random access information for Msg1 transmitted by the UE may be determined based on whether a random access preamble ID for a preamble transmitted by the UE exists. If there is no response to Msg1, the UE may retransmit the RACH preamble within a predetermined number of times while performing power ramping. The UE calculates the PRACH transmission power for retransmission of the preamble based on the most recent path loss and power ramping counter.
  • the UE may transmit UL transmission as Msg3 in a random access procedure on an uplink shared channel based on random access response information.
  • Msg3 may include an RRC connection request and a UE identifier.
  • the network may send Msg4, which may be treated as a contention resolution message on the DL. By receiving Msg4, the UE can enter the RRC connected state.
  • the BM process may be divided into (1) a DL BM process using SSB or CSI-RS and (2) a UL BM process using a sounding reference signal (SRS).
  • each BM process may include Tx beam sweeping to determine the Tx beam and Rx beam sweeping to determine the Rx beam.
  • CSI channel state information
  • the UE receives a CSI-ResourceConfig IE including CSI-SSB-ResourceSetList for SSB resources used for BM from BS.
  • the RRC parameter csi-SSB-ResourceSetList represents a list of SSB resources used for beam management and reporting in one resource set.
  • the SSB resource set may be set to ⁇ SSBx1, SSBx2, SSBx3, SSBx4, ⁇ .
  • the SSB index may be defined from 0 to 63.
  • the UE receives signals on SSB resources from the BS based on the CSI-SSB-ResourceSetList.
  • the UE reports the best SSBRI and the corresponding RSRP to the BS.
  • the reportQuantity of the CSI-RS reportConfig IE is set to'ssb-Index-RSRP', the UE reports the best SSBRI and corresponding RSRP to the BS.
  • the UE When the UE is configured with CSI-RS resources in the same OFDM symbol(s) as the SSB, and'QCL-TypeD' is applicable, the UE is similarly co-located in terms of'QCL-TypeD' where the CSI-RS and SSB are ( quasi co-located, QCL).
  • QCL-TypeD may mean that QCL is performed between antenna ports in terms of a spatial Rx parameter.
  • the Rx beam determination (or refinement) process of the UE using CSI-RS and the Tx beam sweeping process of the BS are sequentially described.
  • the repetition parameter is set to'ON'
  • the Tx beam sweeping process of the BS is set to'OFF'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'ON'.
  • the UE repeats signals on the resource(s) in the CSI-RS resource set in which the RRC parameter'repetition' is set to'ON' in different OFDM symbols through the same Tx beam (or DL spatial domain transmission filter) of the BS Receive.
  • the UE determines its own Rx beam.
  • the UE omits CSI reporting. That is, the UE may omit CSI reporting when the shopping price RRC parameter'repetition' is set to'ON'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'OFF', and is related to the Tx beam sweeping process of the BS.
  • the UE receives signals on resources in the CSI-RS resource set in which the RRC parameter'repetition' is set to'OFF' through different Tx beams (DL spatial domain transmission filters) of the BS.
  • Tx beams DL spatial domain transmission filters
  • the UE selects (or determines) the best beam.
  • the UE reports the ID (eg, CRI) and related quality information (eg, RSRP) for the selected beam to the BS. That is, when the CSI-RS is transmitted for the BM, the UE reports the CRI and the RSRP for it to the BS.
  • ID eg, CRI
  • RSRP related quality information
  • the UE receives RRC signaling (eg, SRS-Config IE) including a usage parameter set as'beam management' (RRC parameter) from the BS.
  • SRS-Config IE is used for SRS transmission configuration.
  • SRS-Config IE includes a list of SRS-Resources and a list of SRS-ResourceSets. Each SRS resource set means a set of SRS-resources.
  • the UE determines Tx beamforming for the SRS resource to be transmitted based on the SRS-SpatialRelation Info included in the SRS-Config IE.
  • SRS-SpatialRelation Info is set for each SRS resource, and indicates whether to apply the same beamforming as the beamforming used in SSB, CSI-RS or SRS for each SRS resource.
  • SRS-SpatialRelationInfo is set in the SRS resource, the same beamforming as that used in SSB, CSI-RS or SRS is applied and transmitted. However, if SRS-SpatialRelationInfo is not set in the SRS resource, the UE randomly determines Tx beamforming and transmits the SRS through the determined Tx beamforming.
  • BFR beam failure recovery
  • Radio Link Failure may frequently occur due to rotation, movement, or beamforming blockage of the UE. Therefore, BFR is supported in NR to prevent frequent RLF from occurring. BFR is similar to the radio link failure recovery process, and may be supported when the UE knows the new candidate beam(s).
  • the BS sets beam failure detection reference signals to the UE, and the UE sets the number of beam failure indications from the physical layer of the UE within a period set by RRC signaling of the BS. When a threshold set by RRC signaling is reached (reach), a beam failure is declared.
  • the UE triggers beam failure recovery by initiating a random access process on the PCell; Beam failure recovery is performed by selecting a suitable beam (if the BS has provided dedicated random access resources for certain beams, they are prioritized by the UE). Upon completion of the random access procedure, it is considered that beam failure recovery is complete.
  • URLLC transmission as defined by NR is (1) relatively low traffic size, (2) relatively low arrival rate, (3) extremely low latency requirement (e.g. 0.5, 1ms), (4) It may mean a relatively short transmission duration (eg, 2 OFDM symbols), and (5) transmission of an urgent service/message.
  • transmission for a specific type of traffic e.g., URLLC
  • eMBB previously scheduled transmission
  • eMBB and URLLC services can be scheduled on non-overlapping time/frequency resources, and URLLC transmission can occur on resources scheduled for ongoing eMBB traffic.
  • the eMBB UE may not be able to know whether the PDSCH transmission of the UE is partially punctured, and the UE may not be able to decode the PDSCH due to corrupted coded bits.
  • the NR provides a preemption indication.
  • the preemption indication may be referred to as an interrupted transmission indication.
  • the UE receives the DownlinkPreemption IE through RRC signaling from the BS.
  • the UE is configured with the INT-RNTI provided by the parameter int-RNTI in the DownlinkPreemption IE for monitoring of the PDCCH carrying DCI format 2_1.
  • the UE is additionally configured with a set of serving cells by an INT-ConfigurationPerServing Cell including a set of serving cell indexes provided by servingCellID and a corresponding set of positions for fields in DCI format 2_1 by positionInDCI, and dci-PayloadSize It is set with the information payload size for DCI format 2_1 by, and is set with the indication granularity of time-frequency resources by timeFrequencySect.
  • the UE receives DCI format 2_1 from the BS based on the DownlinkPreemption IE.
  • the UE When the UE detects DCI format 2_1 for a serving cell in the set set of serving cells, the UE is the DCI format among the set of PRBs and symbols in the monitoring period last monitoring period to which the DCI format 2_1 belongs. It can be assumed that there is no transmission to the UE in the PRBs and symbols indicated by 2_1. For example, the UE sees that the signal in the time-frequency resource indicated by the preemption is not a DL transmission scheduled to it, and decodes data based on the signals received in the remaining resource regions.
  • Massive Machine Type Communication is one of the 5G scenarios to support hyper-connection services that simultaneously communicate with a large number of UEs.
  • the UE communicates intermittently with a very low transmission rate and mobility. Therefore, mMTC aims at how long the UE can be driven at a low cost.
  • 3GPP deals with MTC and NB (NarrowBand)-IoT.
  • the mMTC technology has features such as repetitive transmission of PDCCH, PUCCH, physical downlink shared channel (PDSCH), PUSCH, etc., frequency hopping, retuning, and guard period.
  • a PUSCH (or PUCCH (especially, long PUCCH) or PRACH) including specific information and a PDSCH (or PDCCH) including a response to specific information are repeatedly transmitted.
  • Repetitive transmission is performed through frequency hopping, and for repetitive transmission, (RF) retuning is performed in a guard period from a first frequency resource to a second frequency resource, and specific information
  • RF repetitive transmission
  • the response to specific information may be transmitted/received through a narrowband (ex. 6 resource block (RB) or 1 RB).
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • the UE transmits specific information transmission to the 5G network (S1). And, the 5G network performs 5G processing on the specific information (S2). Here, 5G processing may include AI processing. Then, the 5G network transmits a response including the AI processing result to the UE (S3).
  • the UE performs an initial access procedure and random access with the 5G network before step S1 of FIG. random access) procedure.
  • the UE performs an initial access procedure with the 5G network based on the SSB to obtain DL synchronization and system information.
  • a beam management (BM) process and a beam failure recovery process may be added, and a QCL (quasi-co location) relationship in a process in which the UE receives a signal from the 5G network Can be added.
  • QCL quadsi-co location
  • the UE performs a random access procedure with the 5G network for UL synchronization acquisition and/or UL transmission.
  • the 5G network may transmit a UL grant for scheduling transmission of specific information to the UE. Therefore, the UE transmits specific information to the 5G network based on the UL grant.
  • the 5G network transmits a DL grant for scheduling transmission of the 5G processing result for the specific information to the UE. Accordingly, the 5G network may transmit a response including the AI processing result to the UE based on the DL grant.
  • the UE may receive a DownlinkPreemption IE from the 5G network. And, the UE receives a DCI format 2_1 including a pre-emption indication from the 5G network based on the DownlinkPreemption IE. In addition, the UE does not perform (or expect or assume) reception of eMBB data in the resource (PRB and/or OFDM symbol) indicated by the pre-emption indication. Thereafter, the UE may receive a UL grant from the 5G network when it is necessary to transmit specific information.
  • the UE receives a UL grant from the 5G network to transmit specific information to the 5G network.
  • the UL grant includes information on the number of repetitions for transmission of the specific information, and the specific information may be repeatedly transmitted based on the information on the number of repetitions. That is, the UE transmits specific information to the 5G network based on the UL grant.
  • repetitive transmission of specific information may be performed through frequency hopping, transmission of first specific information may be transmitted in a first frequency resource, and transmission of second specific information may be transmitted in a second frequency resource.
  • the specific information may be transmitted through a narrowband of 6RB (Resource Block) or 1RB (Resource Block).
  • FIG. 4 is a view showing a vehicle according to an embodiment of the present specification.
  • the vehicle 10 is defined as a transportation means traveling on a road or track.
  • the vehicle 10 is a concept including a car, a train, and a motorcycle.
  • the vehicle 10 may be a concept including both an internal combustion engine vehicle including an engine as a power source, a hybrid vehicle including an engine and an electric motor as a power source, and an electric vehicle including an electric motor as a power source.
  • the vehicle 10 may be a vehicle owned by an individual.
  • the vehicle 10 may be a shared vehicle.
  • the vehicle 10 may be an autonomous vehicle.
  • FIG. 5 is a block diagram of an AI device according to an embodiment of the present specification.
  • the AI device 20 may include an electronic device including an AI module capable of performing AI processing or a server including the AI module.
  • the AI device 20 may be included as a component of at least a part of the vehicle 10 shown in FIG. 1 and may be provided to perform at least a part of AI processing together.
  • the AI processing may include all operations related to driving of the vehicle 10 illustrated in FIG. 4.
  • an autonomous vehicle may perform AI processing on sensing data or driver data to process/determine and generate control signals.
  • the autonomous driving vehicle may perform autonomous driving control by AI processing data acquired through interactions with other electronic devices provided in the vehicle.
  • the AI device 20 may include an AI processor 21, a memory 25, and/or a communication unit 27.
  • the AI device 20 is a computing device capable of learning a neural network, and may be implemented as various electronic devices such as a server, a desktop PC, a notebook PC, and a tablet PC.
  • the AI processor 21 may learn a neural network using a program stored in the memory 25.
  • the AI processor 21 may learn a neural network for recognizing vehicle-related data.
  • the neural network for recognizing vehicle-related data may be designed to simulate a human brain structure on a computer, and may include a plurality of network nodes having weights that simulate neurons of the human neural network.
  • the plurality of network modes can send and receive data according to their respective connection relationships so as to simulate the synaptic activity of neurons that send and receive signals through synapses.
  • the neural network may include a deep learning model developed from a neural network model. In a deep learning model, a plurality of network nodes may be located in different layers and exchange data according to a convolutional connection relationship.
  • neural network models include deep neural networks (DNN), convolutional deep neural networks (CNN), Recurrent Boltzmann Machine (RNN), Restricted Boltzmann Machine (RBM), and deep trust. It includes various deep learning techniques such as deep belief networks (DBN) and deep Q-network, and can be applied to fields such as computer vision, speech recognition, natural language processing, and speech/signal processing.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • RNN Recurrent Boltzmann Machine
  • RBM Restricted Boltzmann Machine
  • DNN deep trust
  • DNN deep belief networks
  • DNN deep Q-network
  • the processor performing the above-described function may be a general-purpose processor (eg, a CPU), but may be an AI-only processor (eg, a GPU) for artificial intelligence learning.
  • a general-purpose processor eg, a CPU
  • an AI-only processor eg, a GPU
  • the memory 25 may store various programs and data required for the operation of the AI device 20.
  • the memory 25 may be implemented as a non-volatile memory, a volatile memory, a flash memory, a hard disk drive (HDD), a solid state drive (SDD), or the like.
  • the memory 25 is accessed by the AI processor 21, and data read/write/edit/delete/update by the AI processor 21 may be performed.
  • the memory 25 may store a neural network model (eg, a deep learning model 26) generated through a learning algorithm for classifying/recognizing data according to an embodiment of the present specification.
  • the AI processor 21 may include a data learning unit 22 that learns a neural network for data classification/recognition.
  • the data learning unit 22 may learn a criterion for how to classify and recognize data using which training data to use to determine data classification/recognition.
  • the data learning unit 22 may learn the deep learning model by acquiring training data to be used for training and applying the acquired training data to the deep learning model.
  • the data learning unit 22 may be manufactured in the form of at least one hardware chip and mounted on the AI device 20.
  • the data learning unit 22 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or may be manufactured as a part of a general-purpose processor (CPU) or a dedicated graphics processor (GPU) to the AI device 20. It can also be mounted.
  • the data learning unit 22 may be implemented as a software module. When implemented as a software module (or a program module including an instruction), the software module may be stored in a computer-readable non-transitory computer readable media. In this case, at least one software module may be provided by an operating system (OS) or an application.
  • OS operating system
  • application application
  • the data learning unit 22 may include a learning data acquisition unit 23 and a model learning unit 24.
  • the training data acquisition unit 23 may acquire training data necessary for a neural network model for classifying and recognizing data.
  • the training data acquisition unit 23 may acquire vehicle data and/or sample data for input into the neural network model as training data.
  • the model learning unit 24 may learn to have a criterion for determining how a neural network model classifies predetermined data by using the acquired training data.
  • the model training unit 24 may train the neural network model through supervised learning using at least a portion of the training data as a criterion for determination.
  • the model learning unit 24 may train the neural network model through unsupervised learning to discover a criterion by self-learning using the training data without guidance.
  • the model learning unit 24 may train the neural network model through reinforcement learning by using feedback on whether the result of situation determination according to the learning is correct.
  • the model learning unit 24 may train the neural network model by using a learning algorithm including an error back-propagation method or a gradient decent method.
  • the model learning unit 24 may store the learned neural network model in a memory.
  • the model learning unit 24 may store the learned neural network model in a memory of a server connected to the AI device 20 through a wired or wireless network.
  • the data learning unit 22 further includes a training data preprocessor (not shown) and a training data selection unit (not shown) to improve the analysis result of the recognition model or save resources or time required for generating the recognition model. You may.
  • the learning data preprocessor may preprocess the acquired data so that the acquired data can be used for learning to determine a situation.
  • the training data preprocessor may process the acquired data into a preset format so that the model training unit 24 can use the training data acquired for learning for image recognition.
  • the learning data selection unit may select data necessary for learning from the learning data acquired by the learning data acquisition unit 23 or the training data preprocessed by the preprocessor.
  • the selected training data may be provided to the model learning unit 24.
  • the learning data selection unit may select only data on an object included in the specific region as the learning data by detecting a specific region among images acquired through the vehicle camera.
  • the data learning unit 22 may further include a model evaluation unit (not shown) to improve the analysis result of the neural network model.
  • the model evaluation unit may input evaluation data to the neural network model, and when an analysis result output from the evaluation data does not satisfy a predetermined criterion, the model learning unit 22 may retrain.
  • the evaluation data may be predefined data for evaluating the recognition model.
  • the model evaluation unit may evaluate as not satisfying a predetermined criterion when the number or ratio of evaluation data in which the analysis result is inaccurate among the analysis results of the learned recognition model for evaluation data exceeds a threshold value. have.
  • the communication unit 27 may transmit the AI processing result by the AI processor 21 to an external electronic device.
  • the external electronic device may be defined as an autonomous vehicle.
  • the AI device 20 may be defined as another vehicle or 5G network that communicates with the autonomous driving module vehicle.
  • the AI device 20 may be functionally embedded and implemented in an autonomous driving module provided in a vehicle.
  • the 5G network may include a server or module that performs autonomous driving-related control.
  • the AI device 20 shown in FIG. 5 has been functionally divided into an AI processor 21, a memory 25, and a communication unit 27, but the above-described components are integrated into one module. It should be noted that it may be called as.
  • FIG. 6 is a diagram for explaining a system in which an autonomous vehicle and an AI device are linked according to an embodiment of the present specification.
  • the autonomous vehicle 10 may transmit data requiring AI processing to the AI device 20 through a communication unit, and the AI device 20 including the deep learning model 26 is the deep learning AI processing results using the model 26 may be transmitted to the autonomous vehicle 10.
  • the AI device 20 may refer to the contents described in FIG. 2.
  • the autonomous vehicle 10 may include a memory 140, a processor 170, and a power supply 190, and the processor 170 may further include an autonomous driving module 260 and an AI processor 261. I can.
  • the autonomous driving vehicle 10 may include an interface unit that is connected to at least one electronic device provided in the vehicle by wire or wirelessly to exchange data required for autonomous driving control. At least one electronic device connected through the interface unit includes an object detection unit 210, a communication unit 220, a driving operation unit 230, a main ECU 240, a vehicle driving unit 250, a sensing unit 270, and location data generation. It may include a unit 280.
  • the interface unit may be composed of at least one of a communication module, a terminal, a pin, a cable, a port, a circuit, an element, and a device.
  • the memory 140 is electrically connected to the processor 170.
  • the memory 140 may store basic data for a unit, control data for controlling the operation of the unit, and input/output data.
  • the memory 140 may store data processed by the processor 170.
  • the memory 140 may be configured with at least one of ROM, RAM, EPROM, flash drive, and hard drive.
  • the memory 140 may store various data for the overall operation of the autonomous vehicle 10, such as a program for processing or controlling the processor 170.
  • the memory 140 may be implemented integrally with the processor 170. Depending on the embodiment, the memory 140 may be classified as a sub-element of the processor 170.
  • the power supply unit 190 may supply power to the autonomous driving device 10.
  • the power supply unit 190 may receive power from a power source (eg, a battery) included in the autonomous vehicle 10 and supply power to each unit of the autonomous vehicle 10.
  • the power supply unit 190 may be operated according to a control signal provided from the main ECU 240.
  • the power supply unit 190 may include a switched-mode power supply (SMPS).
  • SMPS switched-mode power supply
  • the processor 170 may be electrically connected to the memory 140, the interface unit 280, and the power supply unit 190 to exchange signals.
  • the processor 170 includes application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), processors, and controllers. It may be implemented using at least one of (controllers), micro-controllers, microprocessors, and electrical units for performing other functions.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • processors and controllers. It may be implemented using at least one of (controllers), micro-controllers, microprocessors, and electrical units for performing other functions.
  • the processor 170 may be driven by power provided from the power supply unit 190.
  • the processor 170 may receive data, process data, generate a signal, and provide a signal while power is supplied by the power supply unit 190.
  • the processor 170 may receive information from another electronic device in the autonomous vehicle 10 through the interface unit.
  • the processor 170 may provide a control signal to another electronic device in the autonomous vehicle 10 through an interface unit.
  • the autonomous vehicle 10 may include at least one printed circuit board (PCB).
  • PCB printed circuit board
  • the memory 140, the interface unit, the power supply unit 190, and the processor 170 may be electrically connected to a printed circuit board.
  • the autonomous vehicle 10 will be referred to as a vehicle 10.
  • the object detection unit 210 may generate information on an object outside the vehicle 10.
  • the AI processor 261 applies a neural network model to the data acquired through the object detection unit 210, so that at least one of the presence or absence of an object, location information of the object, distance information between the vehicle and the object, and relative speed information between the vehicle and the object. You can create one.
  • the object detector 210 may include at least one sensor capable of detecting an object outside the vehicle 10.
  • the sensor may include at least one of a camera, a radar, a lidar, an ultrasonic sensor, and an infrared sensor.
  • the object detector 210 may provide data on an object generated based on a sensing signal generated by a sensor to at least one electronic device included in the vehicle.
  • the vehicle 10 transmits the data acquired through the at least one sensor to the AI device 20 through the communication unit 220, and the AI device 20 applies a neural network model 26 to the transmitted data.
  • AI processing data generated by applying can be transmitted to the vehicle 10.
  • the vehicle 10 may recognize information on the detected object based on the received AI processing data, and the autonomous driving module 260 may perform an autonomous driving control operation using the recognized information.
  • the communication unit 220 may exchange signals with devices located outside the vehicle 10.
  • the communication unit 220 may exchange signals with at least one of infrastructure (eg, a server, a broadcasting station), another vehicle, and a terminal.
  • the communication unit 220 may include at least one of a transmission antenna, a reception antenna, a radio frequency (RF) circuit capable of implementing various communication protocols, and an RF element to perform communication.
  • RF radio frequency
  • At least one of presence or absence of an object, location information of the object, distance information between the vehicle and the object, and relative speed information between the vehicle and the object may be generated.
  • the driving operation unit 230 is a device that receives a user input for driving. In the manual mode, the vehicle 10 may be driven based on a signal provided by the driving operation unit 230.
  • the driving operation unit 230 may include a steering input device (eg, a steering wheel), an acceleration input device (eg, an accelerator pedal), and a brake input device (eg, a brake pedal).
  • the AI processor 261 may generate an input signal of the driving control unit 230 according to a signal for controlling the movement of the vehicle according to the driving plan generated through the autonomous driving module 260. have.
  • the vehicle 10 transmits data necessary for control of the driver's operation unit 230 to the AI device 20 through the communication unit 220, and the AI device 20 applies a neural network model 26 to the transmitted data.
  • AI processing data generated by applying can be transmitted to the vehicle 10.
  • the vehicle 10 may use the input signal of the driver operation unit 230 to control the movement of the vehicle based on the received AI processing data.
  • the main ECU 240 may control the overall operation of at least one electronic device provided in the vehicle 10.
  • the vehicle driving unit 250 is a device that electrically controls various vehicle driving devices in the vehicle 10.
  • the vehicle driving unit 250 may include a power train drive control device, a chassis drive control device, a door/window drive control device, a safety device drive control device, a lamp drive control device, and an air conditioning drive control device.
  • the power train drive control device may include a power source drive control device and a transmission drive control device.
  • the chassis drive control device may include a steering drive control device, a brake drive control device, and a suspension drive control device.
  • the safety device driving control device may include a safety belt driving control device for controlling the safety belt.
  • the vehicle driving unit 250 includes at least one electronic control device (eg, a control Electronic Control Unit (ECU)).
  • ECU control Electronic Control Unit
  • the vehicle driver 250 may control a power train, a steering device, and a brake device based on a signal received from the autonomous driving module 260.
  • the signal received from the autonomous driving module 260 may be a driving control signal generated by applying a neural network model to vehicle-related data in the AI processor 261.
  • the driving control signal may be a signal received from an external AI device 20 through the communication unit 220.
  • the sensing unit 270 may sense the state of the vehicle.
  • the sensing unit 270 includes an inertial measurement unit (IMU) sensor, a collision sensor, a wheel sensor, a speed sensor, a tilt sensor, a weight detection sensor, a heading sensor, a position module, and a vehicle. It may include at least one of a forward/reverse sensor, a battery sensor, a fuel sensor, a tire sensor, a steering sensor, a temperature sensor, a humidity sensor, an ultrasonic sensor, an illumination sensor, and a pedal position sensor. Meanwhile, the inertial measurement unit (IMU) sensor may include one or more of an acceleration sensor, a gyro sensor, and a magnetic sensor.
  • IMU inertial measurement unit
  • the AI processor 261 may generate state data of a vehicle by applying a neural network model to sensing data generated by at least one sensor.
  • AI processing data generated by applying the neural network model includes vehicle attitude data, vehicle motion data, vehicle yaw data, vehicle roll data, vehicle pitch data, vehicle collision data, vehicle direction data, Vehicle angle data, vehicle speed data, vehicle acceleration data, vehicle tilt data, vehicle forward/reverse data, vehicle weight data, battery data, fuel data, tire pressure data, vehicle internal temperature data, vehicle internal humidity data, steering wheel rotation It may include angle data, vehicle external illumination data, pressure data applied to an accelerator pedal, pressure data applied to a brake pedal, and the like.
  • the autonomous driving module 260 may generate a driving control signal based on the AI-processed vehicle state data.
  • the vehicle 10 transmits the sensing data acquired through the at least one sensor to the AI device 20 through the communication unit 22, and the AI device 20 uses a neural network model 26 to the transmitted sensing data. ) Is applied, the generated AI processing data can be transmitted to the vehicle 10.
  • the location data generator 280 may generate location data of the vehicle 10.
  • the location data generator 280 may include at least one of a Global Positioning System (GPS) and a Differential Global Positioning System (DGPS).
  • GPS Global Positioning System
  • DGPS Differential Global Positioning System
  • the AI processor 261 may generate more accurate vehicle location data by applying a neural network model to location data generated by at least one location data generating device.
  • the AI processor 261 performs a deep learning operation based on at least one of an IMU (Inertial Measurement Unit) of the sensing unit 270 and a camera image of the object detection device 210, and generates Position data can be corrected based on AI processing data.
  • IMU Inertial Measurement Unit
  • the vehicle 10 transmits the location data obtained from the location data generator 280 to the AI device 20 through the communication unit 220, and the AI device 20 uses a neural network model ( 26) can be applied to transmit the generated AI processing data to the vehicle 10.
  • Vehicle 10 may include an internal communication system 50.
  • a plurality of electronic devices included in the vehicle 10 may exchange signals through the internal communication system 50.
  • the signal may contain data.
  • the internal communication system 50 may use at least one communication protocol (eg, CAN, LIN, FlexRay, MOST, Ethernet).
  • the autonomous driving module 260 may generate a path for autonomous driving based on the acquired data, and may generate a driving plan for driving along the generated path.
  • the autonomous driving module 260 may implement at least one ADAS (Advanced Driver Assistance System) function.
  • ADAS includes Adaptive Cruise Control (ACC), Autonomous Emergency Braking (AEB), Forward Collision Warning (FCW), and Lane Keeping Assist (LKA). ), Lane Change Assist (LCA), Target Following Assist (TFA), Blind Spot Detection (BSD), Adaptive High Beam Control System (HBA: High Beam Assist) , Auto Parking System (APS), PD collision warning system (PD collision warning system), Traffic Sign Recognition (TSR), Traffic Sign Assist (TSA), Night Vision System At least one of (NV: Night Vision), Driver Status Monitoring (DSM), and Traffic Jam Assist (TJA) may be implemented.
  • ACC Adaptive Cruise Control
  • AEB Autonomous Emergency Braking
  • FCW Forward Collision Warning
  • LKA Lane Keeping Assist
  • LKA Lane Change Assist
  • TSA Traffic Spot Detection
  • HBA High Beam Ass
  • the AI processor 261 applies at least one sensor provided in the vehicle, traffic-related information received from an external device, and information received from another vehicle communicating with the vehicle to a neural network model, thereby providing at least one ADAS function.
  • a control signal capable of performing these operations may be transmitted to the autonomous driving module 260.
  • the vehicle 10 transmits at least one data for performing ADAS functions to the AI device 20 through the communication unit 220, and the AI device 20 applies a neural network model 260 to the received data. By applying, it is possible to transmit a control signal capable of performing the ADAS function to the vehicle 10.
  • the autonomous driving module 260 acquires the driver's state information and/or the vehicle state information through the AI processor 261, and based on this, the operation of switching from the autonomous driving mode to the manual driving mode or the autonomous driving mode It is possible to perform a switching operation to the driving mode.
  • the vehicle 10 may use AI processing data for passenger assistance for driving control. For example, as described above, the state of the driver and the occupant may be checked through at least one sensor provided in the vehicle.
  • the vehicle 10 may recognize a voice signal of a driver or passenger through the AI processor 261, perform a voice processing operation, and perform a voice synthesis operation.
  • DNN Deep Neural Network
  • a deep neural network is an artificial neural network (ANN) composed of several hidden layers between an input layer and an output layer.
  • DNN is an artificial neural network
  • ANN artificial neural network
  • Deep neural networks like general artificial neural networks, can model complex non-linear relationships.
  • each object in a deep neural network structure for an object identification model, can be expressed as a hierarchical composition of image basic elements.
  • the additional layers may gather features of the lower layers that are gradually gathered. This feature of deep neural networks makes it possible to model complex data with fewer units than similarly performed artificial neural networks.
  • DNN deep neural network
  • sensing data of the vehicle 10 or data required for autonomous driving may be input to the input layer of the DNN, and meaningful data that can be used for autonomous driving may be generated through the output layer while passing through the hidden layers. I can.
  • the artificial neural network used for this deep learning method is collectively referred to as DNN, but it goes without saying that if meaningful data can be output in a similar manner to this, other deep learning methods may be applied.
  • the existing interaction method for behavior recognition uses a method of simply classifying people and objects through learning or defining an entire specific motion image through learning.
  • this method has a disadvantage in that it can be operated only when learning data for a specific operation is acquired, and it is impossible to respond to items not initially set in the requirements of various operations.
  • the number of objects included in the initial object recognition is limited due to the limitation of vehicle resource use, so it is very important to define objects required during vehicle operation.
  • the present specification modulates basic actions that the occupant can perform in the seat and vehicle control according to it, combines the relationship between the occupant's body (eg, hand, face) and objects, and connects it with the behavior definition to expandability and algorithm
  • the present specification proposes a method of detecting an unregistered object while driving, evaluating significance in a vehicle, and updating a monitoring model for object recognition.
  • Algorithms of existing behavioral recognition methods may have the following problems.
  • Classification of people and objects By separating the location-defining block, only the items of the block related to the undefined object can have a structure that can be defined, so it is easy to expand the definition of behavior.
  • Undefined objects frequently used by passengers in the vehicle are stored in the control room server, and automatically classified, thereby improving object recognition function.
  • the vehicle monitoring system may include a sensing unit 270, a detection unit, a personalization unit, an information collection unit, a behavior recognition unit, and an information validity verification unit.
  • the vehicle monitoring system may transmit and receive signals with the information update unit 800 included in the server (eg, a control server, a cloud network) and a vehicle control module of the vehicle.
  • the sensing unit 270 may include an RGB-IR 2D camera.
  • the sensing unit 270 may periodically sense the interior of the vehicle and provide sensing information related to the state of the occupant as an input to the detection unit.
  • the process 170 may include a detection unit, a personalization unit, an information collection unit, an action recognition unit, and an information validity verification unit.
  • the AI processor 261 may include a monitoring model for context creation.
  • the detection unit may define the location of the occupant's face/hand/body or an object by using a skeleton analysis technology.
  • the motion of a person may have various meanings. This may include a posture expressing how the body parts are arranged, or a gesture expressing the movement of the body having a specific meaning.
  • the detection unit may generate location information of a passenger or an object and transmit it to the personalization unit.
  • the personalization unit may transfer the passenger's face image to the server to collect information such as face and updated profiling information.
  • the personalization unit may transmit a face image to the information update unit 800, the information update unit 800 may analyze the face image to check the identity of the occupant, and transmit the identity information of the occupant to the personalization unit.
  • the identity information of the occupant may include the number of times the occupant has used the vehicle, the count of undefined objects, and registration information of the undefined objects.
  • the information collection unit may collect information related to Who (personal information of the passenger), What (object information connected to the passenger), Where (position information of the face and body of the passenger), and Define (the defined object).
  • the information collection unit may generate status information of the occupant by using the collected information.
  • information related to Who, What, Where or Define may be generated through a detection unit or a personalization unit.
  • the behavior recognition unit may receive state information from the information collection unit, analyze the state information, and generate information related to the passenger's How (passenger's behavior).
  • the behavior recognition unit may determine whether an occupant's behavior is a defined behavior, and may transmit information on an undefined object to the information update unit 800.
  • the behavior recognition unit may complete context information indicating the state of the occupant.
  • the information validation unit may validate newly defined information (eg, an object, a behavior of a passenger) through user evaluation.
  • newly defined information eg, an object, a behavior of a passenger
  • the processor 170 may transmit newly defined information to the user through the display unit and may receive an input value for validity.
  • the information validation unit may verify the validity of newly defined information according to the input value.
  • the information update unit 800 may define an undefined object and update new information related thereto.
  • the vehicle control module may control the vehicle by receiving context information related to an occupant's behavior.
  • the vehicle control module may include the following.
  • -Lighting control It is possible to control the lighting of the vehicle according to the behavior of the occupant who needs lighting in the seat locally (related behavior context: for example, Reading, Texturing).
  • Alert messages can be delivered through popup information (related action context: for example, Eating, Smoking, Drinking).
  • the processor 170 may generate a context by using the sensing information acquired through the sensing unit 270.
  • the context can be defined as "Who / Where / What / How to do a defined action.”
  • the processor 170 may generate a context related to a person of a passenger and an object connected to the passenger.
  • the processor 170 may detect feature points of a passenger's body using a skeleton analysis technique.
  • the processor 170 may detect 9 points of the occupant's body. These points may include joint points of both arms and necks of the occupant, center points of hands, faces, and upper bodies.
  • the processor 170 may extract location information of a face (Face Location: FL), a right hand (RHL), and a left hand (Left Hand Location: LHL).
  • the processor 170 may transmit a face image to the server.
  • the processor 170 may receive identity information authenticated through a face image from the server. Also, the processor 170 may update the monitoring model through the received identification information.
  • the processor 170 may define an object connected to the body (Object Detection & classification: ODaC).
  • the processor 170 may define a pre-learned object (eg, a bag, a wallet, a book, a smart phone 900, a laptop, a cup, a cigarette, a stroller) through a monitoring model.
  • a pre-learned object eg, a bag, a wallet, a book, a smart phone 900, a laptop, a cup, a cigarette, a stroller
  • NOC Non Object Classification
  • the processor 170 may store an image of an additional object (AO) and transmit image information to the server.
  • AO additional object
  • the processor 170 may define a detailed location (eye/mouth/ear) in the face of the occupant and define a location of the occupant in the vehicle.
  • the processor 170 may define face detail information (FDI) of a passenger's face.
  • FDI face detail information
  • the processor 170 may extract eye direction (ED)/mouth (Mouse Location: ML)/ear location information (Ear Location: EL) from a passenger's face image.
  • ED eye direction
  • ML mouth
  • Ear Location EL
  • the processor 170 may define the position of the occupant in the vehicle.
  • the processor 170 may define a passenger location (PL) in the vehicle using the body location information of the occupant.
  • the processor 170 may determine a body location (BL) of the occupant using the sensing information of the occupant. The occupant's body position may be determined to be located in the first row (driver's seat, assistant seat) / second row (left/middle/right) of the vehicle, for example.
  • the processor 170 may determine object location (OL) information through a method similar to the above-described method.
  • the location information of the object may be used as information for controlling the vehicle in the future.
  • the processor 170 may define a vehicle behavior of a passenger (Vehicle Behavior: VB).
  • the processor 170 may define a hand pattern (Object and Hand Relationship: O&HR) when the position of the object connected to the passenger and the position of the hand are close.
  • the hand pattern definition may include grabbing / on an object / None (eg, Right Hand Near (RHN), Left Hand Near (LHN)).
  • the processor 170 may define whether or not an object is being viewed based on face direction information (Object and Face Relationship: OaFR).
  • the processor 170 may define which part of the body the object is (eg, ear (Ear Near: EN), mouth (Mouse Near: MN), right hand/left hand)) (Body Near Object: BNO). have.
  • the processor 170 may define a common behavior in the vehicle (Basic Behavior: BB). Common behaviors can include Reading, Texturing, Drinking, Eating, Smoking, and Calling.
  • the processor 170 may define an in-vehicle controller (Vehicle Controller: VC) using context information.
  • Vehicle Controller Vehicle Controller
  • the processor 170 may control lighting of the vehicle (Lighting Controller: LC).
  • the action context associated with the LC may include Reading and Texturing.
  • the processor 170 may perform control, such as lighting and darkening the local area.
  • the processor 170 may control a vehicle sound (Sound Controller: SC).
  • SC Vehicle Sound
  • the action context associated with the SC may include calling.
  • the processor 170 may perform control such as sound raising and local area sound dimming.
  • the processor 170 may determine where to display the pop-up (Display Controller: DC). Behavioral contexts associated with DC may include Drinking, Eating, and Smoking.
  • the processor 170 may display a pop-up such as HUD / AVN / Cluster / Rear display.
  • FIG. 13 is an example of a monitoring model update method to which the present specification can be applied.
  • the processor 170 may update a monitoring model through a server.
  • the processor 170 may define objects connected to a passenger through sensing information, and generate context information based on this (1300).
  • the generated context information may be as follows.
  • the processor 170 may detect an undefined object 1301. In this case, the processor 170 may acquire an image (Additional Object: AO) close to the location of the hand and the face information.
  • AO Additional Object
  • the processor 170 transmits sensing information related to the AO to the server.
  • the server may classify undefined objects (eg, object classification using Tensorflow) using a superset model (.pb) and update personalization information of passengers (1310).
  • undefined objects eg, object classification using Tensorflow
  • a superset model e.g., a superset model
  • the processor 170 may determine the undefined object as a new object that needs to be defined.
  • the processor 170 sets the sensing information related to the AO as an input parameter of the monitoring model, and performs learning of the monitoring model (1320).
  • the necessary labeling information may use information defined in the undefined object classification performed by the above-described server.
  • the above-described superset model of the server is difficult to be installed in a vehicle monitoring model due to a problem of computational quantity.
  • the monitoring model can be a low-computation model designed based on less than 10 input data for optimization. Accordingly, it may be efficient for the processor 170 to learn only sensing information related to an undefined object frequently found in the vehicle as an input value.
  • the processor 170 defines an undefined object and generates context information through a new monitoring model in which learning has been performed.
  • the processor 170 may define vehicle control information for controlling a vehicle using context information.
  • newly generated context information and vehicle control information may be as follows.
  • the processor 170 may update the monitoring model (old.pb) file used in the existing vehicle to a new monitoring model file (new.pb) (1330).
  • contexts related to Who/Where/How/Behavior may be related to each other, and vehicle control definition may be related to a Behavior context.
  • the vehicle may monitor the occupant's behavior.
  • the vehicle acquires sensing information related to the state of the occupant through the sensing unit (S1510).
  • the vehicle Based on the sensing information, the vehicle defines objects connected to the occupant by using the monitoring model of the vehicle (S1520). Vehicles may fail to define objects associated with their occupants. In this case, the vehicle may determine an object that fails to be defined as an undefined object.
  • the vehicle is based on counting more than a certain number of undefined objects: labeling the sensing information of the undefined object, and updating the monitoring model using the result value of the labeling, Using the monitoring model, the undefined object is defined (S1530).
  • labeling of an undefined object may be performed through a superset model included in a server connected to a vehicle.
  • the vehicle generates context information representing the state of the occupant based on defined objects (S1540).
  • context information may include 1) the person of the occupant, 2) the position of the face and body of the occupant, 3) an object connected to the occupant, and 4) a context related to the action of the occupant. It can have a meaningful relationship.
  • the server X200 may be a MEC server or a cloud server, and may include a communication module X210, a processor X220, and a memory X230.
  • the communication module X210 is also referred to as a radio frequency (RF) unit.
  • the communication module X210 may be configured to transmit various signals, data, and information to an external device and to receive various signals, data, and information to an external device.
  • the server X200 may be connected to an external device by wire and/or wirelessly.
  • the communication module X210 may be implemented separately as a transmission unit and a reception unit.
  • the processor X220 may control the overall operation of the server X200, and may be configured to perform a function for the server X200 to calculate and process information to be transmitted and received with an external device. Further, the processor X220 may be configured to perform the server operation proposed in the present specification. The processor X220 may control the communication module X210 to transmit data or messages to the UE, another vehicle, or another server according to the proposal of the present specification.
  • the memory X230 may store operation-processed information and the like for a predetermined time, and may be replaced with a component such as a buffer.
  • terminal device X100 and the server X200 as described above may be implemented so that the above-described various embodiments of the present specification are applied independently or two or more embodiments may be applied simultaneously, and overlapping Contents are omitted for clarity.
  • the foregoing specification can be implemented as computer-readable code on a medium in which a program is recorded.
  • the computer-readable medium includes all types of recording devices storing data that can be read by a computer system. Examples of computer-readable media include HDD (Hard Disk Drive), SSD (Solid State Disk), SDD (Silicon Disk Drive), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is also a carrier wave (eg, transmission over the Internet). Therefore, the detailed description above should not be construed as restrictive in all respects and should be considered as illustrative. The scope of this specification should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of this specification are included in the scope of this specification.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 명세서는 탑승자의 행동을 모니터링하는 차량에 있어서, 상기 센싱부를 통해, 상기 탑승자의 상태와 관련된 센싱정보를 획득하고, 상기 센싱정보에 근거하여, 상기 차량의 모니터링 모델을 이용하여, 상기 탑승자와 연결된 객체들을 정의하고, 상기 정의된(defined) 객체들에 근거하여, 상기 탑승자의 상태를 나타내는 컨텍스트(Context) 정보를 생성할 수 있다. 또한, 본 명세서의 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공지능(Artificial Intelligence) 모듈, 드론 (Unmmanned Aerial Vehicle, UAV) 로봇, 증강 현실 (Augmented Reality, AR) 장치, 가상 현실(Virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

차량에서 탑승자의 행동 모니터링 방법
본 명세서는 자율주행시스템에 관련된 것으로, 차량 내 다양한 사물과 함께 탑승자의 특정 행동을 모니터링하는 방법이다.
자동차는 사용되는 원동기의 종류에 따라, 내연기관(internal combustion engine) 자동차, 외연기관(external combustion engine) 자동차, 가스터빈(gas turbine) 자동차 또는 전기자동차(electric vehicle) 등으로 분류될 수 있다.
자율주행자동차(Autonomous Vehicle)란 운전자 또는 승객의 조작 없이 자동차 스스로 운행이 가능한 자동차를 말하며, 자율주행시스템(Automated Vehicle & Highway Systems)은 이러한 자율주행자동차가 스스로 운행될 수 있도록 모니터링하고 제어하는 시스템을 말한다.
본 명세서의 목적은, 자율주행시스템에서 컨텍스트(Context) 기반의 탑승자 행동인지 통합 인터렉션 디자인을 제안한다.
또한, 본 명세서의 목적은, 차량의 운행 중 등록되지 않은 사물을 검출하여, 차량에서의 유의미성을 평가하고 사물인지를 위한 모니터링 모델의 업데이트 방법을 제안한다.
본 명세서가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 발명의 상세한 설명으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서의 일 양상은, 차량이 탑승자의 행동을 모니터링하는 방법에 있어서, 상기 탑승자의 상태와 관련된 센싱정보를 획득하는 단계; 상기 센싱정보에 근거하여, 상기 차량의 모니터링 모델을 이용하여, 상기 탑승자와 연결된 객체들을 정의하는 단계; 미정의된(undefined) 객체가 일정 수 이상 카운트되는 것에 근거하여: 상기 미정의된 객체의 센싱정보를 레이블링(labeling)하는 단계; 상기 레이블링의 결과값을 이용하여, 상기 모니터링 모델을 갱신하는 단계; 및 상기 모니터링 모델을 이용하여, 상기 미정의된 객체를 정의하는 단계; 상기 정의된(defined) 객체들에 근거하여, 상기 탑승자의 상태를 나타내는 컨텍스트(Context) 정보를 생성하는 단계; 를 포함할 수 있다.
또한, 상기 컨텍스트 정보는 1) 상기 탑승자의 인물, 2) 상기 탑승자의 얼굴 및 몸의 위치, 3) 상기 탑승자와 연결된 객체 및 4) 상기 탑승자의 행동과 관련된 컨텍스트를 포함할 수 있다.
또한, 상기 탑승자의 인물과 관련된 컨텍스트 정보는 상기 탑승자의 신체 부위들의 위치 및 상기 신체 부위들 사이의 연결정보를 이용한 스켈레톤(skeleton) 분석을 이용하여 생성될 수 있다.
또한, 상기 레이블링하는 단계는 상기 차량과 연결된 서버에 포함된 슈퍼셋(superset) 모델을 통해 수행될 수 있다.
또한, 상기 탑승자의 행동과 관련된 컨텍스트에 근거하여, 상기 차량을 제어할 수 있다.
또한, 상기 탑승자의 얼굴 이미지를 획득하는 단계; 상기 탑승자의 신원을 인증하기 위해, 상기 탑승자의 얼굴 이미지를 서버로 전송하는 단계; 및 상기 서버로부터, 상기 탑승자의 신원정보를 수신하고, 상기 탑승자의 신원을 인증하는 단계; 를 더 포함할 수 있다.
또한, 상기 신원정보는 상기 탑승자의 상기 차량의 사용 횟수, 상기 미정의된 객체의 등록정보 또는 상기 미정의된 객체의 카운트 정보를 포함할 수 있다.
또한, 상기 미정의된 객체의 등록정보를 이용하여, 상기 모니터링 모델을 갱신하는 단계; 를 더 포함할 수 있다.
본 명세서의 또 다른 일 양상은, 탑승자의 행동을 모니터링하는 차량에 있어서, 송수신기; 센싱부; 메모리; 및 상기 송수신기, 상기 센싱부 및 상기 메모리를 제어하는 프로세서;를 포함하고, 상기 프로세서는 상기 센싱부를 통해, 상기 탑승자의 상태와 관련된 센싱정보를 획득하고, 상기 센싱정보에 근거하여, 상기 차량의 모니터링 모델을 이용하여, 상기 탑승자와 연결된 객체들을 정의하며, 미정의된(undefined) 객체가 일정 수 이상 카운트되는 것에 근거하여: 상기 미정의된 객체의 센싱정보를 레이블링(labeling)하고, 상기 레이블링의 결과값을 이용하여, 상기 모니터링 모델을 갱신하며, 상기 모니터링 모델을 이용하여, 상기 미정의된 객체를 정의하고, 상기 정의된(defined) 객체들에 근거하여, 상기 탑승자의 상태를 나타내는 컨텍스트(Context) 정보를 생성할 수 있다.
본 명세서는 자율주행시스템에서 컨텍스트(Context) 기반의 탑승자 행동인지 통합 인터렉션 디자인을 제안할 수 있다.
또한, 본 명세서는 차량의 운행 중 등록되지 않은 사물을 검출하여, 차량에서의 유의미성을 평가하고 사물인지를 위한 모니터링 모델을 업데이트 할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 명세서의 실시예에 따른 차량을 도시한 도면이다.
도 5는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 6은 본 명세서의 일 실시예에 따른 자율 주행 차량과 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 7은 본 명세서가 적용될 수 있는 DNN 모델의 예시이다.
도 8은 본 명세서가 적용될 수 있는 모니터링 시스템의 예시이다.
도 9 내지 도 11은 본 명세서에 적용될 수 있는 컨텍스트 생성의 예시이다.
도 12는 본 명세서가 적용될 수 있는 차량 제어 방법의 예시이다.
도 13은 본 명세서가 적용될 수 있는 모니터링 모델 업데이트 방법의 예시이다.
도 14는 본 명세서가 적용될 수 있는 컨텍스트 관계의 예시이다.
도 15는 본 명세서가 적용될 수 있는 일 실시예이다.
도 16은 본 명세서가 적용될 수 있는 장치 일반의 블록도이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 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 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "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.
이하, AI 프로세싱된 정보를 필요로 하는 자율주행장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
본 명세서의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, 쪋}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 4는 본 명세서의 실시예에 따른 차량을 도시한 도면이다.
도 4를 참조하면, 본 명세서의 실시예에 따른 차량(10)은, 도로나 선로 위를 주행하는 수송 수단으로 정의된다. 차량(10)은, 자동차, 기차, 오토바이를 포함하는 개념이다. 차량(10)은, 동력원으로서 엔진을 구비하는 내연기관 차량, 동력원으로서 엔진과 전기 모터를 구비하는 하이브리드 차량, 동력원으로서 전기 모터를 구비하는 전기 차량등을 모두 포함하는 개념일 수 있다. 차량(10)은 개인이 소유한 차량일 수 있다. 차량(10)은, 공유형 차량일 수 있다. 차량(10)은 자율 주행 차량일 수 있다.
도 5는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 1에 도시된 차량(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 4에 도시된 차량(10)의 주행과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 자율주행 차량은 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 차량 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 차량 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 자율 주행 차량으로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 자율 주행 모듈 차량과 통신하는 다른 차량 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 차량 내에 구비된 자율주행 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 자율 주행 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 5에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 6은 본 명세서의 실시예에 따른 자율 주행 차량과 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 6을 참조하면, 자율 주행 차량(10)은 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 상기 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 자율 주행 차량(10)으로 전송할 수 있다. AI 장치(20)는 도 2에 설명한 내용을 참조할 수 있다.
자율 주행 차량(10)은 메모리(140), 프로세서(170), 전원 공급부(190)를 포함할 수 있으며, 상기 프로세서(170)는 자율 주행 모듈(260)과 AI 프로세서(261)를 더 구비할 수 있다. 또한, 상기 자율 주행 차량(10)은 차량 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 연결되어 자율 주행 제어에 필요한 데이터를 교환할 수 있는 인터페이스부를 포함할 수 있다. 상기 인터페이스부를 통해 연결된 적어도 하나의 전자 장치는, 오브젝트 검출부(210), 통신부(220), 운전 조작부(230), 메인 ECU(240), 차량 구동부(250), 센싱부(270), 위치 데이터 생성부(280)를 포함할 수 있다.
상기 인터페이스부는, 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
메모리(140)는, 프로세서(170)와 전기적으로 연결된다. 메모리(140)는 유닛에 대한 기본데이터, 유닛의 동작제어를 위한 제어데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(140)는, 프로세서(170)에서 처리된 데이터를 저장할 수 있다. 메모리(140)는, 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(140)는 프로세서(170)의 처리 또는 제어를 위한 프로그램 등, 자율 주행 차량(10) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(140)는, 프로세서(170)와 일체형으로 구현될 수 있다. 실시예에 따라, 메모리(140)는, 프로세서(170)의 하위 구성으로 분류될 수 있다.
전원 공급부(190)는, 자율 주행 장치(10)에 전원을 공급할 수 있다. 전원 공급부(190)는, 자율 주행 차량(10)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 자율 주행 차량(10)의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(190)는, 메인 ECU(240)로부터 제공되는 제어 신호에 따라 동작될 수 있다. 전원 공급부(190)는, SMPS(switched-mode power supply)를 포함할 수 있다.
프로세서(170)는, 메모리(140), 인터페이스부(280), 전원 공급부(190)와 전기적으로 연결되어 신호를 교환할 수 있다. 프로세서(170)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
프로세서(170)는, 전원 공급부(190)로부터 제공되는 전원에 의해 구동될 수 있다. 프로세서(170)는, 전원 공급부(190)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.
프로세서(170)는, 인터페이스부부를 통해, 자율 주행 차량(10) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 프로세서(170)는, 인터페이스부를 통해, 자율 주행 차량(10) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.
자율 주행 차량(10)은, 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(140), 인터페이스부, 전원 공급부(190) 및 프로세서(170)는, 인쇄 회로 기판에 전기적으로 연결될 수 있다.
이하, 상기 인터페이스부와 연결된 차량 내 다른 전자 장치 및 AI 프로세서(261), 자율 주행 모듈(260)에 대하여 보다 구체적으로 설명한다. 이하, 설명의 편의를 위해 자율 주행 차량(10)을 차량(10)으로 호칭하기로 한다.
먼저, 오브젝트 검출부(210)는 차량(10) 외부의 오브젝트에 대한 정보를 생성할 수 있다. AI 프로세서(261)는 오브젝트 검출부(210)를 통해 획득된 데이터에 신경망 모델을 적용함으로써, 오브젝트의 존재 유무, 오브젝트의 위치 정보, 차량과 오브젝트의 거리 정보, 차량과 오브젝트와의 상대 속도 정보 중 적어도 하나를 생성할 수 있다.
오브젝트 검출부(210)는, 차량(10) 외부의 오브젝트를 검출할 수 있는 적어도 하나의 센서를 포함할 수 있다. 상기 센서는, 카메라, 레이다, 라이다, 초음파 센서 및 적외선 센서 중 적어도 하나를 포함할 수 있다. 오브젝트 검출부(210)는, 센서에서 생성되는 센싱 신호에 기초하여 생성된 오브젝트에 대한 데이터를 차량에 포함된 적어도 하나의 전자 장치에 제공할 수 있다.
한편, 차량(10)는 상기 적어도 하나의 센서를 통해 획득된 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다. 차량(10)은 수신된 AI 프로세싱 데이터에 기초하여 검출된 오브젝트에 대한 정보를 인식하고, 자율 주행 모듈(260)은 상기 인식한 정보를 이용하여 자율 주행 제어 동작을 수행할 수 있다.
통신부(220)는 차량(10) 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신부(220)는, 인프라(예를 들면, 서버, 방송국), 타 차량, 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신부(220)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
오브젝트 검출부(210)를 통해 획득된 데이터에 신경망 모델을 적용함으로써, 오브젝트의 존재 유무, 오브젝트의 위치 정보, 차량과 오브젝트의 거리 정보, 차량과 오브젝트와의 상대 속도 정보 중 적어도 하나를 생성할 수 있다.
운전 조작부(230)는 운전을 위한 사용자 입력을 수신하는 장치이다. 메뉴얼 모드인 경우, 차량(10)은, 운전 조작부(230)에 의해 제공되는 신호에 기초하여 운행될 수 있다. 운전 조작부(230)는, 조향 입력 장치(예를 들면, 스티어링 휠), 가속 입력 장치(예를 들면, 가속 페달) 및 브레이크 입력 장치(예를 들면, 브레이크 페달)를 포함할 수 있다.
한편, AI 프로세서(261)는 자율 주행 모드에서, 자율 주행 모듈(260)을 통해 생성된 드라이빙 플랜에 따른 차량의 움직임을 제어하기 위한 신호에 따라 상기 운전 조작부(230)의 입력 신호를 생성할 수 있다.
한편, 차량(10)는 운전자 조작부(230)의 제어에 필요한 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다. 차량(10)은 수신된 AI 프로세싱 데이터에 기초하여 운전자 조작부(230)의 입력 신호를 차량의 움직임 제어에 이용할 수 있다.
메인 ECU(240)는, 차량(10) 내에 구비되는 적어도 하나의 전자 장치의 전반적인 동작을 제어할 수 있다.
차량 구동부(250)는 차량(10)내 각종 차량 구동 장치를 전기적으로 제어하는 장치이다. 차량 구동부(250)는, 파워 트레인 구동 제어 장치, 샤시 구동 제어 장치, 도어/윈도우 구동 제어 장치, 안전 장치 구동 제어 장치, 램프 구동 제어 장치 및 공조 구동 제어 장치를 포함할 수 있다. 파워 트레인 구동 제어 장치는, 동력원 구동 제어 장치 및 변속기 구동 제어 장치를 포함할 수 있다. 샤시 구동 제어 장치는, 조향 구동 제어 장치, 브레이크 구동 제어 장치 및 서스펜션 구동 제어 장치를 포함할 수 있다. 한편, 안전 장치 구동 제어 장치는, 안전 벨트 제어를 위한 안전 벨트 구동 제어 장치를 포함할 수 있다.
차량 구동부(250)는, 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함한다.
차량 구동부(250)는, 자율 주행 모듈(260)에서 수신되는 신호에 기초하여, 파워 트레인, 조향 장치 및 브레이크 장치를 제어할 수 있다. 상기 자율 주행 모듈(260)에서 수신되는 신호는 AI 프로세서(261)에서 차량 관련 데이터를 신경망 모델을 적용함으로써, 생성되는 구동 제어 신호일 수 있다. 상기 구동 제어 신호는 통신부(220)를 통해 외부의 AI 장치(20)로부터 수신된 신호일 수도 있다.
센싱부(270)는 차량의 상태를 센싱할 수 있다. 센싱부(270)는, IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서, 페달 포지션 센서 중 적어도 어느 하나를 포함할 수 있다. 한편, IMU(inertial measurement unit) 센서는, 가속도 센서, 자이로 센서, 자기 센서 중 하나 이상을 포함할 수 있다.
AI 프로세서(261)는 적어도 하나의 센서에서 생성되는 센싱 데이터에 신경망 모델을 적용함으로써, 차량의 상태 데이터를 생성할 수 있다. 상기 신경망 모델을 적용하여 생성되는 AI 프로세싱 데이터는, 차량 자세 데이터, 차량 모션 데이터, 차량 요(yaw) 데이터, 차량 롤(roll) 데이터, 차량 피치(pitch) 데이터, 차량 충돌 데이터, 차량 방향 데이터, 차량 각도 데이터, 차량 속도 데이터, 차량 가속도 데이터, 차량 기울기 데이터, 차량 전진/후진 데이터, 차량의 중량 데이터, 배터리 데이터, 연료 데이터, 타이어 공기압 데이터, 차량 내부 온도 데이터, 차량 내부 습도 데이터, 스티어링 휠 회전 각도 데이터, 차량 외부 조도 데이터, 가속 페달에 가해지는 압력 데이터, 브레이크 페달에 가해지는 압력 데이터 등을 포함할 수 있다.
자율 주행 모듈(260)은 상기 AI 프로세싱된 차량의 상태 데이터에 기초하여 주행 제어 신호를 생성할 수 있다.
한편, 차량(10)은 상기 적어도 하나의 센서를 통해 획득된 센싱 데이터를 통신부(22)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 센싱 데이터에 신경망 모델(26)을 적용함으로써, 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다.
위치 데이터 생성부(280)는, 차량(10)의 위치 데이터를 생성할 수 있다. 위치 데이터 생성부(280)는, GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다.
AI 프로세서(261)는 적어도 하나의 위치 데이터 생성장치에서 생성되는 위치 데이터에 신경망 모델을 적용함으로써, 보다 정확한 차량의 위치 데이터를 생성할 수 있다.
일 실시예에 따라, AI 프로세서(261)는 센싱부(270)의 IMU(Inertial Measurement Unit) 및 오브젝트 검출 장치(210)의 카메라 영상 중 적어도 어느 하나에 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 위치 데이터를 보정할 수 있다.
한편, 차량(10)은 위치 데이터 생성부(280)로부터 획득된 위치 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신한 위치 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다.
차량(10)은, 내부 통신 시스템(50)을 포함할 수 있다. 차량(10)에 포함되는 복수의 전자 장치는 내부 통신 시스템(50)을 매개로 신호를 교환할 수 있다. 신호에는 데이터가 포함될 수 있다. 내부 통신 시스템(50)은, 적어도 하나의 통신 프로토콜(예를 들면, CAN, LIN, FlexRay, MOST, 이더넷)을 이용할 수 있다.
자율 주행 모듈(260)은 획득된 데이터에 기초하여, 자율 주행을 위한 패스를 생성하고, 생성된 경로를 따라 주행하기 위한 드라이빙 플랜을 생성 할 수 있다.
자율 주행 모듈(260)는, 적어도 하나의 ADAS(Advanced Driver Assistance System) 기능을 구현할 수 있다. ADAS는, 적응형 크루즈 컨트롤 시스템(ACC : Adaptive Cruise Control), 자동 비상 제동 시스템(AEB : Autonomous Emergency Braking), 전방 충돌 알림 시스템(FCW : Foward Collision Warning), 차선 유지 보조 시스템(LKA : Lane Keeping Assist), 차선 변경 보조 시스템(LCA : Lane Change Assist), 타겟 추종 보조 시스템(TFA : Target Following Assist), 사각 지대 감시 시스템(BSD : Blind Spot Detection), 적응형 하이빔 제어 시스템(HBA : High Beam Assist), 자동 주차 시스템(APS : Auto Parking System), 보행자 충돌 알림 시스템(PD collision warning system), 교통 신호 검출 시스템(TSR : Traffic Sign Recognition), 교통 신호 보조 시스템(TSA : Trafffic Sign Assist), 나이트 비전 시스템(NV : Night Vision), 운전자 상태 모니터링 시스템(DSM : Driver Status Monitoring) 및 교통 정체 지원 시스템(TJA : Traffic Jam Assist) 중 적어도 어느 하나를 구현할 수 있다.
AI 프로세서(261)는, 차량에 구비된 적어도 하나의 센서, 외부 기기로부터 수신된 교통 관련 정보, 상기 차량과 통신하는 다른 차량으로부터 수신된 정보를 신경망 모델에 적용함으로써, 전술한 적어도 하나의 ADAS 기능들을 수행 가능한 제어 신호를 자율 주행 모듈(260)로 전달할 수 있다.
또한, 차량(10)은 ADAS 기능들을 수행하기 위한 적어도 하나의 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신된 데이터에 신경망 모델(260)을 적용함으로써, ADAS 기능을 수행할 수 있는 제어 신호를 차량(10)으로 전달할 수 있다.
자율 주행 모듈(260)는, AI 프로세서(261)를 통해 운전자의 상태 정보 및/또는 차량의 상태 정보를 획득하고, 이에 기초하여 자율 주행 모드에서 수동 주행 모드로의 전환 동작 또는 수동 주행 모드에서 자율 주행 모드로의 전환 동작을 수행할 수 있다.
한편, 차량(10)은 승객 지원을 위한 AI 프로세싱 데이터를 주행 제어에 이용할 수 있다. 예를 들어, 전술한 바와 같이 차량 내부에 구비된 적어도 하나의 센서를 통해 운전자, 탑승자의 상태를 확인할 수 있다.
또는, 차량(10)은 AI 프로세서(261)를 통해 운전자 또는 탑승자의 음성 신호를 인식하고, 음성 처리 동작을 수행하고, 음성 합성 동작을 수행할 수 있다.
DNN(Deep Neural Network) 모델
도 7은 본 명세서가 적용될 수 있는 DNN 모델의 예시이다.
심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이루어진 인공신경망(Artificial Neural Network, ANN)이다. 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다.
예를 들어, 사물 식별 모델을 위한 심층 신경망 구조에서는 각 객체가 이미지 기본 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모여진 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들 만으로도 복잡한 데이터를 모델링할 수 있게 해준다.
은닉층의 개수가 많아질수록 인공신경망이　'깊어졌다(deep)'고 부르며, 이렇게　충분히 깊어진 인공신경망을 러닝 모델로 사용하는 머신러닝 패러다임을 바로　딥러닝(Deep Learning)이라고 한다. 그리고, 이러한 딥러닝을 위해 사용하는 충분히 깊은 인공신경망이　심층 신경망(DNN: Deep neural network)이라고 통칭된다.
본 명세서에서 DNN의 입력층에 차량(10)의 센싱데이터 또는 자율주행을 위해 요구되는 데이터들이 입력될 수 있고, 이들은 은닉층들을 거치면서, 자율주행에 사용될 수 있는 의미있는 데이터가 출력층을 통해 생성될 수 있다.
본 명세서의 명세서 상에서는 이러한 딥러닝 방식을 위해 사용되는 인공신경망을 DNN으로 통칭하고 있으나, 이와 유사한 방식으로 의미있는 데이터를 출력할 수 있다면, 다른 방식의 딥러닝 방식이 적용될 수 있음은 물론이다.
인테리어 모니터링 방법
차량의 인테리어 모니터링 방법에 있어서, 차량 내의 다양한 사물과 함께 탑승자의 특정 행동을 정의하려는 방향으로 다수의 연구가 진행 중이다.
기존의 행동인식을 위한 인터렉션 방식은 학습을 통하여 사람과 사물을 단순 분류하거나 특정 동작 이미지 전체를 학습을 통하여 정의하는 방식을 사용하고 있다. 하지만, 이러한 방식은 특정동작에 대한 학습 데이터가 취득되어야 동작될 수 있으며, 다양한 동작의 요구사항에 초기 설정되지 않은 사항은 대응이 불가능하다는 단점을 가지고 있다. 또한, 차량의 리소스 사용의 한계로 초기 사물인식에 포함되어지는 사물의 수는 제약적이어서 차량 운행 중에 요구되는 사물의 정의 방법이 매우 중요하다
본 명세서는 탑승자가 좌석에서 할 수 있는 기본 행동 및 이에 따른 차량 컨트롤을 모듈화하고, 탑승자의 신체(예를 들어, 손, 얼굴)와 사물의 관계를 조합하여, 행동정의와 연결하여 확장성 및 알고리즘의 유연성 확보가 가능한 컨텍스트(Context) 기반의 탑승자 행동인지 통합 인터렉션 디자인을 제안한다.
또한, 본 명세서는 운행 중 등록되지 않은 사물을 검출하여, 차량에서의 유의미성을 평가하고 사물인지를 위한 모니터링 모델의 업데이트 방법을 제안한다.
기존의 행동인지 방식의 알고리즘 문제점
기존 행동인지 방식의 알고리즘은 다음과 같은 문제점을 가질 수 있다.
1) 초기 결정된 행동인지 정의 이외 확장성 부족
2) 전체 이미지의 특징점 기반 동작 인식 방식의 낮은 정확도
3) 차량에서 탑승자가 자주 사용하는 미정의 사물에 대한 정보 업데이트 불가능
4) 차량 모듈들의 컨트롤 구현이 차량 출시 이후 업데이트 불가
5) 차량 내 자주 사용하는 사물에 대한 검증 불가
이에 대해, 본 명세서는 다음과 같은 방안을 제시한다.
1) 사람과 사물의 구분 : 위치 정의 블록을 분리함으로써 미정의된 객체와 관련된 블록의 아이템만 정의 가능한 구조를 갖을 수 있으므로, 행동인지 정의 확장성이 용이하다.
2) 탑승자의 행동과 관련된 주요 신체(예를 들어, 얼굴, 손, 몸)의 위치와 관계를 분석하여 인식하므로 정확도가 향상될 수 있다.
3) 차량에서 탑승자가 자주 사용하는 미정의된 사물에 대하여, 이를 관제실 서버에 저장하고, 자동 분류하여, 이를 통해, 사물 인지 기능을 향상 시킬 수 있다.
4) 공용될 수 있는 차량 모듈들의 컨트롤 정의 및 공통 UX를 제공함으로써 신규 차량의 컨트롤 서비스 업그레이드가 용이하다.
5) 초기 결정된 사물 및 탑승자가 차량에서 자주 사용하고, 검출되는 사물에 대하여 자동 업데이트 가능한 로직을 제공할 수 있다.
모니터링 시스템
도 8은 본 명세서가 적용될 수 있는 모니터링 시스템의 예시이다.
도 8을 참조하면, 차량의 모니터링 시스템은 센싱부(270), 검출부, 개인화부, 정보 수집부, 행동인지부 및 정보 유효성 검증부를 포함할 수 있다. 또한, 차량의 모니터링 시스템은 서버(예를 들어, 관제서버, 클라우드 네트워크)에 포함된 정보 업데이트부(800) 및 차량의 차량 컨트롤 모듈과 신호를 송수신할 수 있다.
예를 들어, 센싱부(270)는 RGB-IR 2D 카메라를 포함할 수 있다. 센싱부(270)는 주기적으로 차량의 내부를 센싱하고, 탑승자의 상태와 관련된 센싱정보를 검출부에 입력으로 제공할 수 있다.
프로세스(170)는 검출부, 개인화부, 정보 수집부, 행동인지부 및 정보 유효성 검증부를 포함할 수 있다. 또한, AI 프로세서(261)는 컨텍스트 생성을 위한 모니터링 모델을 포함할 수 있다.
검출부는 스켈레톤(Skeleton) 분석 기술을 이용하여, 탑승자의 얼굴/손/몸 또는 사물 등의 위치를 정의할 수 있다.
예를 들어, 2차원 영상으로부터 사람의 동작을 인식하는 방법에 있어서, 인식의 대상인 사람의 동작은 다양한 의미를 지닐 수 있다. 이는 신체부위들이 어떻게 배치되어 있는가를 표현하는 자세 혹은 특정한 의미를 가지는 신체의 움직임을 나타내는 동작(gesture) 등을 들 수 있다.
예를 들어, 자세의 경우, 비교적 변형되지 않는(rigid) 신체부위들의 위치와 그 부위들 사이의 연결정보를 기반으로 표현하는 스켈레톤 분석 기술을 통해 인식할 수 있다. 검출부는 탑승자 또는 사물의 위치정보를 생성하고, 개인화부에 전달할 수 있다.
개인화부는 탑승자의 얼굴 이미지를 서버에 전달하여 얼굴 등의 정보 및 업데이트 되어있는 프로파일링 정보를 수집할 수 있다.
예를 들어, 개인화부는 얼굴 이미지를 정보 업데이트부(800)로 전송하고, 정보 업데이트부(800)는 얼굴 이미지를 분석하여, 탑승자의 신원을 확인하고, 개인화부로 탑승자의 신원정보를 전송할 수 있다.
보다 자세하게, 탑승자의 신원정보는 탑승자가 차량을 사용한 횟수, 미정의 사물의 카운트, 미정의 사물의 등록정보를 포함할 수 있다.
정보 수집부는 Who(탑승자의 인물정보), What(탑승자와 연결된 객체 정보), Where(탑승자의 얼굴 및 몸의 위치정보) 및 Define(정의된 객체)와 관련된 정보를 수집할 수 있다. 정보 수집부는 수집된 정보들을 이용하여, 탑승자의 상태정보를 생성 할 수 있다.
예를 들어, Who, What, Where 또는 Define과 관련된 정보는 검출부 또는 개인화부를 통해 생성될 수 있다.
행동 인지부는 정보 수집부로부터 상태정보를 수신하고, 상태정보를 분석하여, 탑승자의 How(탑승자의 행동)와 관련된 정보를 생성할 수 있다.
예를 들어, 행동 인지부는 탑승자의 행동이 정의된 행동인지를 판단하고, 정의되지 않은 사물에 대한 정보를 정보 업데이트부(800)에 전송할 수 있다.
행동 인지부는 탑승자의 상태를 나타내는 컨텍스트 정보를 완성할 수 있다.
정보 유효성 검증부는 새로 정의된 정보(예를 들어, 사물, 탑승자의 행동)를 사용자 평가를 통해, 유효성 검증할 수 있다.
예를 들어, 프로세서(170)는 디스플레이부를 통해, 새로 정의된 정보를 사용자에게 전달할 수 있고, 유효성에 대한 입력값을 입력받을 수 있다. 정보 유효성 검증부는 입력값에 따라 새로 정의된 정보의 유효성을 검증할 수 있다.
정보 업데이트부(800)는 정의되지 않은 사물에 대한 정의를 할 수 있고, 이와 관련된 신규 정보를 업데이트 할 수 있다.
차량 컨트롤 모듈은 탑승자의 행동과 관련된 컨텍스트 정보를 수신하여, 차량을 제어 할 수 있다. 예를 들어, 차량 컨트롤 모듈은 다음을 포함할 수 있다.
- 인터페이스: CAN 통신을 통하여, 전반적인 차량 컨트롤러를 제어할 수 있다.
- 조명 컨트롤: 국부적으로 자리 내 조명이 필요한 탑승자의 행동에 따라 차량의 조명을 제어할 수 있다(관련된 행동 컨텍스트: 예를 들어, Reading, Texturing).
- 사운드 컨트롤: 특정 위치 내 소리를 제어할 수 있다(관련된 행동 컨텍스트: 예를 들어, Calling, Listening).
- 디스플레이 컨트롤: 팝업(Popup) 정보를 통해 경고 메시지 전달 할 수 있다(관련 행동 컨텍스트: 예를 들어, Eating, Smoking, Drinking).
컨텍스트 생성
도 9 내지 도 11은 본 명세서에 적용될 수 있는 컨텍스트 생성의 예시이다. 프로세서(170)는 센싱부(270)를 통해, 획득된 센싱정보를 이용하여, 컨텍스트를 생성할 수 있다. 보다 자세하게, 컨텍스트는 "누가(Who) / 어디에서(Where) / 무엇을 사용하여(What) / 정의된 행동을 한다(How)."로 정의될 수 있다.
도 9를 참조하면, 프로세서(170)는 탑승자의 인물 및 탑승자와 연결된 객체와 관련된 컨텍스트를 생성할 수 있다.
도 9(a)를 참조하면, 프로세서(170)는 스켈레톤 분석 기술을 이용하여, 탑승자 신체의 특징점을 검출할 수 있다. 예를 들어, 프로세서(170)는 탑승자 신체의 9 point를 검출할 수 있다. 이러한 point는 탑승자의 양 팔 및 목의 관절점, 손, 얼굴 및 상체의 중심점을 포함할 수 있다.
도 9(b)를 참조하면, 프로세서(170)는 얼굴(Face Location: FL), 오른손 (Right Hand Location: RHL) 및 왼손(Left Hand Location: LHL)의 위치 정보를 추출할 수 있다.
도 9(c)를 참조하면, 프로세서(170)는 서버에 얼굴 이미지를 전달할 수 있다. 프로세서(170)는 서버로부터, 얼굴 이미지를 통해 인증된 신원정보를 수신할 수 있다. 또한, 프로세서(170)는 수신한 신원정보를 통해, 모니터링 모델을 갱신할 수 있다.
다시 도 9(b)를 참조하면, 프로세서(170)는 신체와 연결된 사물을 정의할 수 있다(Object Detection & classification: ODaC).
예를 들어, 프로세서(170)는 모니터링 모델을 통해, 미리 학습된 사물(예를 들어, 가방, 지갑, 책, 스마트 폰(900), 노트북, 컵, 담배, 유모차)을 정의할 수 있다. 프로세서(170)는 미정의된(undefined) 사물을 분류(Non Object Classification: NOC)하기 위해, 미정의된 사물(Additional Object: AO)의 이미지를 저장한 후, 서버에 이미지 정보를 전달할 수 있다.
도 10을 참조하면, 프로세서(170)는 탑승자의 얼굴 내 세부 위치를 (눈/입/귀) 정의하고 탑승자의 차량 내 위치를 정의할 수 있다.
프로세서(170)는 탑승자 얼굴의 세부 위치 정보(Face Detail Information: FDI)를 정의할 수 있다. 예를 들어, 프로세서(170)는 탑승자 얼굴 이미지에서 눈 방향 (Eye Direction: ED)/입(Mouse Location: ML)/ 귀의 위치 정보(Ear Location: EL)를 추출할 수 있다.
또한, 프로세서(170)는 차량 내 탑승자의 위치를 정의할 수 있다. 예를 들어, 프로세서(170)는 탑승자의 몸 위치정보를 이용하여, 차량 내 탑승자 위치(Passenger Location: PL)를 정의 할 수 있다. 예를 들어, 프로세서(170)는 탑승자의 센싱정보를 이용하여, 탑승자의 몸 위치(Body Location: BL)를 판단할 수 있다. 탑승자의 몸 위치는 예를 들어, 차량 1열 (운전석, 보조석) / 2열 (좌/중간/우)에 위치한다고 판단될 수 있다.
또한, 프로세서(170)는 전술한 방법과 유사한 방법을 통해, 사물의 위치 정보(Object Location: OL)를 판단할 수 있다. 사물의 위치정보는 추후 차량을 컨트롤하기 위한 정보로 사용될 수 있다.
도 11을 참조하면, 프로세서(170)는 탑승자의 차량 내에서의 행동을 정의(Vehicle Behavior: VB) 할 수 있다.
예를 들어, 프로세서(170)는 탑승자와 연결된 사물 위치와 손의 위치가 근접한 경우, 손의 패턴 정의(Object and Hand Relationship : O&HR) 할 수 있다. 손의 패턴 정의는 쥐기 / 사물 위 / None(예를 들어, Right Hand Near(RHN), Left Hand Near(LHN))을 포함할 수 있다.
또한, 프로세서(170)는 얼굴 방향 정보를 기반으로 사물을 보고 있는지 아닌지 정의(Object and Face Relationship: OaFR)할 수 있다.
또한, 프로세서(170)는 사물이 신체의 어느 부위(예를 들어, 귀(Ear Near: EN), 입(Mouse Near: MN), 오른손/왼손)에 있는지 정의(Body Near Object: BNO) 할 수 있다.
또한, 프로세서(170)는 차량 내에서의 공통 행동을 정의(Basic Behavior: BB) 할 수 있다. 공통 행동은 Reading, Texturing, Drinking, Eating, Smoking, Calling를 포함할 수 있다.
차량 제어
도 12는 본 명세서가 적용될 수 있는 차량 제어 방법의 예시이다.
도 12를 참조하면, 프로세서(170)는 컨텍스트 정보를 이용하여, 차량 내 컨트롤러를 정의(Vehicle Controller: VC) 할 수 있다.
프로세서(170)는 차량의 조명을 조절(Lighting Controller: LC) 할 수 있다. LC와 연관된 행동 컨텍스트는 Reading, Texturing을 포함할 수 있다. 프로세서(170)는 국부 영역 밝히기, 어둡게 하기 등의 제어를 수행할 수 있다.
프로세서(170)는 차량의 사운드를 조절(Sound Controller: SC) 할 수 있다. SC와 연관된 행동 컨텍스트는 Calling을 포함할 수 있다. 프로세서(170)는 사운드 올림, 국부 영역 사운드 Dimming 등의 제어를 수행할 수 있다.
프로세서(170)는 팝업을 어디에 디스플레이 할 것인지 결정(Display Controller: DC) 할 수 있다. DC와 연관된 행동 컨텍스트는 Drinking, Eating, Smoking을 포함할 수 있다. 프로세서(170)는 HUD / AVN / Cluster / Rear display 등에 팝업을 디스플레이 할 수 있다.
모니터링 모델 업데이트
도 13은 본 명세서가 적용될 수 있는 모니터링 모델 업데이트 방법의 예시이다.
도 13을 참조하면, 프로세서(170)는 서버를 통해, 모니터링 모델을 업데이트 할 수 있다.
프로세서(170)는 센싱정보를 통해, 탑승자와 연결된 객체들을 정의하고, 이를 토대로, 컨텍스트 정보를 생성할 수 있다(1300).
예를 들어, 생성되는 컨텍스트 정보는 다음과 같을 수 있다.
Who: Human 2 (from HD)
Where: 차량 2열 좌측 (from BLD)
What: 미정의 (from OD)
How: None (O&HR), None (OaFR), EN(BNO), None (from BB)
(정의: new object, new behavior)
전술한 컨텍스트 정보를 참조하면, 프로세서(170)는 미정의 사물(1301)을 검출할 수 있다. 이 경우, 프로세서(170)는 손의 위치와 얼굴 정보에 근접한 영상(Additional Object: AO)을 획득할 수 있다.
프로세서(170)는 AO 와 관련된 센싱정보를 서버로 전달한다.
서버는 슈퍼셋(Superset) 모델(.pb)을 이용하여, 미정의 사물을 분류하고(예를 들어, Tensorflow를 활용한 사물 구분), 탑승자의 개인화 정보를 업데이트 할 수 있다(1310).
프로세서(170)에서 미정의되는 사물의 카운트가 일정 수(예를 들어, 20번) 이상이면, 프로세서(170)는 미정의 사물을 새로 정의가 필요한 사물로 판단할 수 있다.
프로세서(170)는 AO 와 관련된 센싱정보를 모니터링 모델의 입력 파라메터로 설정하여, 모니터링 모델의 학습을 진행한다(1320). 여기서 필요한 레이블링 정보는 전술한 서버에서 수행된 미정의 사물 분류에서 정의되어진 정보를 사용할 수 있다. 전술한 서버의 슈퍼셋 모델은 연산량 문제로 차량의 모니터링 모델에 탑재되기 어렵다. 모니터링 모델은 최적화를 위해, 10개 미만의 입력 data 기반으로 설계된 저연산 모델이 될 수 있다. 따라서, 프로세서(170)는 차량에서 자주 발견되는 미정의 사물과 관련된 센싱정보만을 입력값으로 학습을 진행하는 것이 효율적일 수 있다.
프로세서(170)는 학습이 진행된 신규 모니터링 모델을 통해, 미정의된 객체를 정의하고, 컨텍스트 정보를 생성한다. 프로세서(170)는 컨텍스트 정보를 이용하여, 차량을 제어하기 위한 차량 컨트롤 정보를 정의할 수 있다.
예를 들어, 새로 생성되는 컨텍스트 정보 및 차량 컨트롤 정보는 다음과 같을 수 있다.
Who: Human 2 (from HD)
Where: 차량 2열 좌측 (from BLD)
What: 이어폰 (from OD)
How: None (O&HR), None (OaFR) , EN(BNO), Listening (from BB)
VC: SC - 국부영역 사운드 Dimming
프로세서(170)는 기존 차량에서 사용되는 모니터링 모델(old.pb) 파일을 신규 모니터링 모델 파일(new.pb)로 업데이트를 진행할 수 있다(1330).
컨텍스트 관계
도 14는 본 명세서가 적용될 수 있는 컨텍스트 관계의 예시이다.
도 14를 참조하면, Who/ Where/ How/ Behavior와 관련된 컨텍스트는 서로 연관될 수 있고, 차량 Control 정의는 Behavior 컨텍스트와 연관될 수 있다.
실시예
도 15는 본 명세서가 적용될 수 있는 일 실시예이다.
도 15를 참조하면, 차량은 탑승자의 행동을 모니터링 할 수 있다.
차량은 센싱부를 통해, 탑승자의 상태와 관련된 센싱정보를 획득한다(S1510).
차량은 상기 센싱정보에 근거하여, 상기 차량의 모니터링 모델을 이용하여, 상기 탑승자와 연결된 객체들을 정의한다(S1520). 차량은 탑승자와 연결된 객체의 정의에 실패할 수 있다. 이 경우, 차량은 정의에 실패한 객체를 미정의된(undefined) 객체로 판단할 수 있다.
차량은 미정의된(undefined) 객체가 일정 수 이상 카운트되는 것에 근거하여: 상기 미정의된 객체의 센싱정보를 레이블링(labeling)하고, 상기 레이블링의 결과값을 이용하여, 상기 모니터링 모델을 갱신하며, 상기 모니터링 모델을 이용하여, 상기 미정의된 객체를 정의한다(S1530). 예를 들어, 미정의된 객체의 레이블링은 차량과 연결된 서버에 포함된 슈퍼셋(superset) 모델을 통해 수행될 수 있다.
차량은 정의된(defined) 객체들에 근거하여, 상기 탑승자의 상태를 나타내는 컨텍스트(Context) 정보를 생성한다(S1540). 이러한 컨텍스트 정보는 1) 상기 탑승자의 인물, 2) 상기 탑승자의 얼굴 및 몸의 위치, 3) 상기 탑승자와 연결된 객체 및 4) 상기 탑승자의 행동과 관련된 컨텍스트를 포함할 수 있으며, 이러한 컨텍스트 정보는 서로 유의미한 연관관계를 갖을 수 있다.
본 명세서가 적용될 수 있는 장치 일반
도 16을 참조하면 제안하는 실시 예에 따른 서버(X200)는, MEC서버 또는 클라우드 서버 일 수 있으며, 통신모듈(X210), 프로세서(X220) 및 메모리(X230)를 포함할 수 있다. 통신모듈(X210)은 무선 주파수(radio frequency, RF) 유닛으로 칭해지기도 한다. 통신모듈(X210)은 외부 장치로 각종 신호, 데이터 및 정보를 전송하고, 외부 장치로 각종 신호, 데이터 및 정보를 수신하도록 구성될 수 있다. 서버(X200)는 외부 장치와 유선 및/또는 무선으로 연결될 수 있다. 통신모듈(X210)은 전송부와 수신부로 분리되어 구현될 수도 있다. 프로세서(X220)는 서버(X200) 전반의 동작을 제어할 수 있으며, 서버(X200)가 외부 장치와 송수신할 정보 등을 연산 처리하는 기능을 수행하도록 구성될 수 있다. 또한, 프로세서(X220)는 본 명세서에서 제안하는 서버 동작을 수행하도록 구성될 수 있다. 프로세서(X220)은 본 명세서의 제안에 따라 데이터 혹은 메시지를 UE 혹은 다른 차량, 다른 서버에 전송하도록 통신모듈(X210)을 제어할 수 있다. 메모리(X230)는 연산 처리된 정보 등을 소정시간 동안 저장할 수 있으며, 버퍼 등의 구성요소로 대체될 수 있다.
또한, 위와 같은 단말 장치(X100) 및 서버(X200)의 구체적인 구성은, 전술한 본 명세서의 다양한 실시예에서 설명한 사항들이 독립적으로 적용되거나 또는 2 이상의 실시예가 동시에 적용되도록 구현될 수 있으며, 중복되는 내용은 명확성을 위하여 설명을 생략한다.
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 명세서를 한정하는 것이 아니며, 본 명세서가 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 명세서의 범위에 포함되는 것으로 해석되어야 할 것이다.
본 명세서는 5G(5 generation) 시스템을 기반으로 자율주행시스템(Automated Vehicle & Highway Systems)에 적용되는 예를 중심으로 설명하였으나, 이외에도 다양한 무선 통신 시스템 및 자율주행장치에 적용하는 것이 가능하다.

Claims (16)

  1. 차량이 탑승자의 행동을 모니터링하는 방법에 있어서,
    상기 탑승자의 상태와 관련된 센싱정보를 획득하는 단계;
    상기 센싱정보에 근거하여, 상기 차량의 모니터링 모델을 이용하여, 상기 탑승자와 연결된 객체들을 정의하는 단계;
    미정의된(undefined) 객체가 일정 수 이상 카운트되는 것에 근거하여:
    상기 미정의된 객체의 센싱정보를 레이블링(labeling)하는 단계;
    상기 레이블링의 결과값을 이용하여, 상기 모니터링 모델을 갱신하는 단계; 및
    상기 모니터링 모델을 이용하여, 상기 미정의된 객체를 정의하는 단계;
    상기 정의된(defined) 객체들에 근거하여, 상기 탑승자의 상태를 나타내는 컨텍스트(Context) 정보를 생성하는 단계; 를 포함하는, 모니터링 방법.
  2. 제1 항에 있어서,
    상기 컨텍스트 정보는
    1) 상기 탑승자의 인물, 2) 상기 탑승자의 얼굴 및 몸의 위치, 3) 상기 탑승자와 연결된 객체 및 4) 상기 탑승자의 행동과 관련된 컨텍스트를 포함하는, 모니터링 방법.
  3. 제2 항에 있어서,
    상기 탑승자의 인물과 관련된 컨텍스트 정보는
    상기 탑승자의 신체 부위들의 위치 및 상기 신체 부위들 사이의 연결정보를 이용한 스켈레톤(skeleton) 분석을 이용하여 생성되는, 모니터링 방법.
  4. 제1 항에 있어서,
    상기 레이블링하는 단계는
    상기 차량과 연결된 서버에 포함된 슈퍼셋(superset) 모델을 통해 수행되는, 모니터링 방법.
  5. 제2 항에 있어서,
    상기 탑승자의 행동과 관련된 컨텍스트에 근거하여, 상기 차량을 제어하는, 모니터링 방법.
  6. 제2 항에 있어서,
    상기 탑승자의 얼굴 이미지를 획득하는 단계;
    상기 탑승자의 신원을 인증하기 위해, 상기 탑승자의 얼굴 이미지를 서버로 전송하는 단계; 및
    상기 서버로부터, 상기 탑승자의 신원정보를 수신하고, 상기 탑승자의 신원을 인증하는 단계;
    를 더 포함하는, 모니터링 방법.
  7. 제6 항에 있어서,
    상기 신원정보는
    상기 탑승자의 상기 차량의 사용 횟수, 상기 미정의된 객체의 등록정보 또는 상기 미정의된 객체의 카운트 정보를 포함하는, 모니터링 방법.
  8. 제6 항에 있어서,
    상기 미정의된 객체의 등록정보를 이용하여, 상기 모니터링 모델을 갱신하는 단계;
    를 더 포함하는, 모니터링 방법.
  9. 탑승자의 행동을 모니터링하는 차량에 있어서,
    송수신기;
    센싱부;
    메모리; 및
    상기 송수신기, 상기 센싱부 및 상기 메모리를 제어하는 프로세서;를 포함하고,
    상기 프로세서는
    상기 센싱부를 통해, 상기 탑승자의 상태와 관련된 센싱정보를 획득하고,
    상기 센싱정보에 근거하여, 상기 차량의 모니터링 모델을 이용하여, 상기 탑승자와 연결된 객체들을 정의하며,
    미정의된(undefined) 객체가 일정 수 이상 카운트되는 것에 근거하여:
    상기 미정의된 객체의 센싱정보를 레이블링(labeling)하고, 상기 레이블링의 결과값을 이용하여, 상기 모니터링 모델을 갱신하며, 상기 모니터링 모델을 이용하여, 상기 미정의된 객체를 정의하고,
    상기 정의된(defined) 객체들에 근거하여, 상기 탑승자의 상태를 나타내는 컨텍스트(Context) 정보를 생성하는, 차량.
  10. 제9 항에 있어서,
    상기 컨텍스트 정보는
    1) 상기 탑승자의 인물, 2) 상기 탑승자의 얼굴 및 몸의 위치, 3) 상기 탑승자와 연결된 객체 및 4) 상기 탑승자의 행동과 관련된 컨텍스트를 포함하는, 차량.
  11. 제10 항에 있어서,
    상기 탑승자의 인물과 관련된 컨텍스트 정보는
    상기 탑승자의 신체 부위들의 위치 및 상기 신체 부위들 사이의 연결정보를 이용한 스켈레톤(skeleton) 분석을 이용하여 생성되는, 차량.
  12. 제9 항에 있어서,
    상기 레이블링은
    상기 차량과 연결된 서버에 포함된 슈퍼셋(superset) 모델을 통해 수행되는, 차량.
  13. 제9 항에 있어서,
    상기 탑승자의 행동과 관련된 컨텍스트에 근거하여, 상기 차량을 제어하는, 차량.
  14. 제9 항에 있어서,
    상기 프로세서는
    상기 센싱부를 통해, 상기 탑승자의 얼굴 이미지를 획득하고,
    상기 송수신기를 통해, 상기 탑승자의 신원을 인증하기 위해, 상기 탑승자의 얼굴 이미지를 서버로 전송하고, 상기 서버로부터, 상기 탑승자의 신원정보를 수신하며, 상기 탑승자의 신원을 인증하는, 차량.
  15. 제14 항에 있어서,
    상기 신원정보는
    상기 탑승자의 상기 차량의 사용 횟수, 상기 미정의된 객체의 등록정보 또는 상기 미정의된 객체의 카운트 정보를 포함하는, 차량.
  16. 제14 항에 있어서,
    상기 프로세서는
    상기 미정의된 객체의 등록정보를 이용하여, 상기 메모리에 설정된 상기 모니터링 모델을 갱신하는, 차량.
PCT/KR2020/010071 2019-07-30 2020-07-30 차량에서 탑승자의 행동 모니터링 방법 WO2021020905A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/625,917 US20230182749A1 (en) 2019-07-30 2020-07-30 Method of monitoring occupant behavior by vehicle

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0092481 2019-07-30
KR20190092481 2019-07-30

Publications (1)

Publication Number Publication Date
WO2021020905A1 true WO2021020905A1 (ko) 2021-02-04

Family

ID=74228730

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/010071 WO2021020905A1 (ko) 2019-07-30 2020-07-30 차량에서 탑승자의 행동 모니터링 방법

Country Status (2)

Country Link
US (1) US20230182749A1 (ko)
WO (1) WO2021020905A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947740A (zh) * 2019-11-22 2021-06-11 深圳市超捷通讯有限公司 基于动作分析的人机交互方法、车载装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007243691A (ja) * 2006-03-09 2007-09-20 Alpine Electronics Inc 車載オーディオシステム
JP2008225817A (ja) * 2007-03-13 2008-09-25 Alpine Electronics Inc 車載用通信装置、通信端末、通信装置、通信方法及び通信プログラム
US20160012654A1 (en) * 2014-07-09 2016-01-14 Toyota Motor Engineering & Manufacturing North America, Inc. Hands Free Access System for a Vehicle Closure
KR20190083820A (ko) * 2018-01-05 2019-07-15 현대자동차주식회사 차량 및 그 제어 방법
KR102005040B1 (ko) * 2019-02-28 2019-07-29 송혜선 스마트 단말기와 안면인식 정보를 이용한 신속한 차량 시동 제어 시스템 및 이를 이용한 차량 시동 제어 방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6757602B2 (en) * 1997-02-06 2004-06-29 Automotive Technologies International, Inc. System for determining the occupancy state of a seat in a vehicle and controlling a component based thereon
EP2836410B1 (en) * 2012-03-05 2019-04-24 Intel Corporation User identification and personalized vehicle settings management system
US9950708B1 (en) * 2012-11-02 2018-04-24 Waymo Llc Adaptation of autonomous driving behaviour based on occupant presence and position
IL241863A0 (en) * 2015-10-06 2016-11-30 Agent Video Intelligence Ltd A method and system for classifying objects from a sequence of images
US10922566B2 (en) * 2017-05-09 2021-02-16 Affectiva, Inc. Cognitive state evaluation for vehicle navigation
KR102299847B1 (ko) * 2017-06-26 2021-09-08 삼성전자주식회사 얼굴 인증 방법 및 장치
US10794609B2 (en) * 2018-02-05 2020-10-06 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for personalized heating, ventilation, and air conditioning
US10655978B2 (en) * 2018-06-27 2020-05-19 Harman International Industries, Incorporated Controlling an autonomous vehicle based on passenger behavior
GB2589766A (en) * 2018-07-04 2021-06-09 Mitsubishi Heavy Ind Mach Systems Ltd Vehicle number identification device, vehicle number identification method, and program

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007243691A (ja) * 2006-03-09 2007-09-20 Alpine Electronics Inc 車載オーディオシステム
JP2008225817A (ja) * 2007-03-13 2008-09-25 Alpine Electronics Inc 車載用通信装置、通信端末、通信装置、通信方法及び通信プログラム
US20160012654A1 (en) * 2014-07-09 2016-01-14 Toyota Motor Engineering & Manufacturing North America, Inc. Hands Free Access System for a Vehicle Closure
KR20190083820A (ko) * 2018-01-05 2019-07-15 현대자동차주식회사 차량 및 그 제어 방법
KR102005040B1 (ko) * 2019-02-28 2019-07-29 송혜선 스마트 단말기와 안면인식 정보를 이용한 신속한 차량 시동 제어 시스템 및 이를 이용한 차량 시동 제어 방법

Also Published As

Publication number Publication date
US20230182749A1 (en) 2023-06-15

Similar Documents

Publication Publication Date Title
WO2020246632A1 (ko) 자율 주행 차량과 그 제어 방법
WO2021006398A1 (ko) 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치
WO2020256177A1 (ko) 차량 제어 방법
WO2020241944A1 (ko) 차량 제어 방법 및 차량을 제어하는 지능형 컴퓨팅 디바이스
WO2021025187A1 (ko) 자율주행 차량 해킹 대응 방법 및 그 장치
WO2021006374A1 (ko) 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치
WO2021006365A1 (ko) 차량 제어 방법 및 차량을 제어하는 지능형 컴퓨팅 디바이스
WO2021010505A1 (ko) 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2021010506A1 (ko) 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2020246637A1 (ko) 자율 주행 차량 제어 방법
WO2020226258A1 (ko) 자율 주행 차량과 이를 이용한 보행자 안내 시스템 및 방법
US10889301B2 (en) Method for controlling vehicle and intelligent computing apparatus for controlling the vehicle
WO2021002491A1 (ko) 차량 내 멀티 카메라를 이용한 생체 인증 방법 및 장치
KR102220950B1 (ko) 자율 주행 시스템에서 차량을 제어하기 위한 방법 및 장치
WO2020262718A1 (ko) 자율주행시스템에서 원격주행을 위한 센싱정보 전송방법 및 이를 위한 장치
WO2020256174A1 (ko) 자율주행시스템에서 차량의 리소스 관리 방법 및 이를 위한 장치
WO2021020623A1 (ko) 자율주행시스템에서 차량에 구비된 v2x 통신 장치의 bsm 메시지 전송 방법
WO2021006362A1 (ko) 운전자 시선 감지를 통한 차량의 주행 상황 표시 방법 및 이를 위한 장치
WO2021010530A1 (ko) 운전자 휴게 패턴에 따른 휴게 정보 제공 방법 및 이를 위한 장치
WO2021006401A1 (ko) 자율주행시스템에서 차량의 제어 방법 및 그 장치
WO2021002486A1 (ko) 음성인식 방법 및 그 장치
WO2021015303A1 (ko) 자율주행 공유차량에서 분실물 관리 방법 및 장치
WO2021246546A1 (ko) 지능적인 빔 예측 방법
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2020262737A1 (ko) 지능형 로봇 청소기

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20848501

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20848501

Country of ref document: EP

Kind code of ref document: A1