WO2021040137A1 - 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법 - Google Patents

무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법 Download PDF

Info

Publication number
WO2021040137A1
WO2021040137A1 PCT/KR2019/015542 KR2019015542W WO2021040137A1 WO 2021040137 A1 WO2021040137 A1 WO 2021040137A1 KR 2019015542 W KR2019015542 W KR 2019015542W WO 2021040137 A1 WO2021040137 A1 WO 2021040137A1
Authority
WO
WIPO (PCT)
Prior art keywords
driver
driving data
driving
vehicle theft
data
Prior art date
Application number
PCT/KR2019/015542
Other languages
English (en)
French (fr)
Inventor
양승희
Original Assignee
주식회사 선택인터내셔날
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 선택인터내셔날 filed Critical 주식회사 선택인터내셔날
Priority to EP19943297.2A priority Critical patent/EP4024292A4/en
Priority to US16/956,992 priority patent/US11498575B2/en
Publication of WO2021040137A1 publication Critical patent/WO2021040137A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/20—Means to switch the anti-theft system on or off
    • B60R25/24—Means to switch the anti-theft system on or off using electronic identifiers containing a code not memorised by the user
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/20—Means to switch the anti-theft system on or off
    • B60R25/24—Means to switch the anti-theft system on or off using electronic identifiers containing a code not memorised by the user
    • B60R25/241—Means to switch the anti-theft system on or off using electronic identifiers containing a code not memorised by the user whereby access privileges are related to the identifiers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
    • B60R25/32—Detection related to theft or to other events relevant to anti-theft systems of vehicle dynamic parameters, e.g. speed or acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Definitions

  • the present invention relates to a detection method based on unsupervised learning, and an apparatus and method for detecting vehicle theft based on a driver profile using the same.
  • the driver is identified by performing modeling based on data such as accelerator pedal operation information, brake pedal operation information, vehicle speed, and distance information from the vehicle in front of a specific driver in a set state.
  • data such as accelerator pedal operation information, brake pedal operation information, vehicle speed, and distance information from the vehicle in front of a specific driver in a set state.
  • Technology has been developed. In the case of such a conventional technology, relatively accurate recognition is possible for a specific driver in which driving data is sufficiently secured, that is, in a supervised learning environment.
  • driving data is sufficiently secured, that is, in a supervised learning environment.
  • the existing Since unobserved data is input to the computer there are problems such as not being able to recognize or increasing search errors.
  • the existing supervised learning-based detection technique can be applied only to the driver who has already been observed, and in particular, in the case of a stolen vehicle, there is a limit of lowering accuracy in a non-learning environment in which driver data that has not been previously observed is input. .
  • the present invention is to solve the problems of the prior art described above, by applying the modeling obtained in supervised learning to the unsupervised learning method, it is possible to accurately detect even under conditions that are not learned in advance. It is to provide a detection method based on unsupervised learning and an apparatus and method for detecting vehicle theft based on a driver profile using the same.
  • the detection method based on unsupervised learning is a detection method based on unsupervised learning using a supervised learning model, the step of generating a plurality of first matrix data from driving data, and the plurality of matrix data using a convolutional neural network.
  • Generating encoding information by encoding deriving a correlation between variables according to time series by modeling a time series characteristic of the encoding information using a Long Short-term Memory (LSTM) network, correlation between variables according to the time series Re-implementing a plurality of second matrix data through a deconvolution operation on the relationship, and based on the difference between the plurality of first matrix data and the plurality of second matrix data, the current driving is pre-supervised learning. And determining whether it corresponds to the driver profile.
  • LSTM Long Short-term Memory
  • the driving data is a multivariate generating a plurality of variables at every point in time, and may have a characteristic of a time series having a high correlation of a predetermined or more with respect to time.
  • the determining whether the driver profile corresponds to the driver profile includes determining that the driving data does not correspond to the driver profile if the difference between the first matrix data and the second matrix data is greater than or equal to a threshold value.
  • the determining whether the driver profile corresponds to the driver profile is, if the difference between the first matrix data and the second matrix data for a predetermined time or more is greater than or equal to a threshold value, the driving data does not correspond to the driver profile. It may include determining that it is.
  • the driver profile-based vehicle theft detection method includes the steps of modeling a basic driver profile by performing supervised learning based on basic driving data collected while driving of the basic driver, and using the model derived through the supervised learning. And unsupervised learning the first driving data collected during driving, and determining whether the current driver corresponds to the basic driver.
  • the determining whether the current driver corresponds to the basic driver comprises modeling the first driving data using the model and performing reverse modeling on the result to derive second driving data. And determining whether the current driver corresponds to the basic driver based on a difference between the first driving data and the second driving data.
  • the step of deriving the second driving data by performing the inverse modeling comprises: generating encoding information by encoding the first driving data using a convolutional neural network, and determining a time series characteristic of the encoding information, Modeling using a Long Short-term Memory (LSTM) network to derive a correlation between variables according to a time series, and re-implementing the second driving data through a deconvolution operation on the correlation between variables according to the time series. It may include the step of.
  • LSTM Long Short-term Memory
  • the determining whether the current driver corresponds to the basic driver comprises: if the difference between the first driving data and the second driving data is greater than or equal to a threshold, the current driver does not correspond to the basic driver. It may include the step of determining.
  • the determining whether the current driver corresponds to the basic driver comprises: if the difference between the first driving data and the second driving data is greater than or equal to a threshold for a predetermined time or longer, the current driver is the basic driver. It may include determining that it does not correspond to.
  • the driver profile-based vehicle theft detection method includes the step of detecting the first driving data based on a rule and updating the threshold value for a difference between the first driving data and the second driving data. It may contain more.
  • the driver profile-based vehicle theft detection device uses a supervised learning modeling unit that models a basic driver profile by performing supervised learning based on basic driving data collected during driving of a basic driver, and a model generated by the supervised learning modeling unit.
  • a supervised learning modeling unit that models a basic driver profile by performing supervised learning based on basic driving data collected during driving of a basic driver, and a model generated by the supervised learning modeling unit.
  • the driver profile-based vehicle theft detection device may further include a theft alarm unit that provides a theft alert to the basic driver when the abnormal driving determination unit determines that the current driver is different from the basic driver. .
  • the abnormal driving determination unit models the first driving data using the model, and performs reverse modeling on the result to derive second driving data, and determines the first driving data and the second driving data. If the difference between driving data is greater than or equal to a threshold, it may be determined that the current driver is different from the basic driver.
  • the driver profile-based vehicle theft detection device is a rule-based for detecting the first driving data on a rule-based basis and updating the threshold for a difference between the first driving data and the second driving data. It may further include a determination support unit.
  • FIG. 1 is a diagram illustrating an application example of a vehicle theft detection device according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing another application example of the vehicle theft detection device according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a vehicle theft detection method based on a driver profile according to an embodiment of the present invention.
  • FIG. 4 is a block diagram illustrating a vehicle theft detection apparatus according to an embodiment of the present invention.
  • FIG. 5 is a block diagram illustrating an embodiment of an abnormal driving determination unit illustrated in FIG. 3.
  • FIG. 6 is a flowchart illustrating an embodiment of a vehicle theft detection method performed by the vehicle theft detection apparatus shown in FIG. 4.
  • FIG. 7 is a block diagram illustrating another embodiment of the abnormal driving determination unit shown in FIG. 3.
  • FIG. 8 is a flowchart illustrating another embodiment of a vehicle theft detection method performed by the vehicle theft detection apparatus shown in FIG. 4.
  • FIG. 9 is a block diagram illustrating another embodiment of a vehicle theft detection apparatus according to an embodiment of the present invention.
  • FIG. 10 is a flowchart illustrating an embodiment of a vehicle theft detection method performed by the vehicle theft detection apparatus shown in FIG. 9.
  • FIG. 1 is a diagram illustrating an application example of a vehicle theft detection device according to an embodiment of the present invention.
  • the vehicle theft detection apparatus 100 may be provided in the vehicle 10 to determine whether the current vehicle is in a stolen state based on a driving state of the vehicle.
  • the vehicle theft detection apparatus 100 may generate a driver profile by performing modeling based on supervised learning based on driving data of a basic driver-a legitimate driver of the vehicle.
  • the vehicle theft detection apparatus 100 may determine whether the current driving is due to the basic driver by reflecting the modeling obtained in supervised learning as unsupervised learning in the current driving state.
  • the vehicle theft detection apparatus 100 may notify the user terminal 200 of the basic driver that the current vehicle is being stolen.
  • the basic driver can immediately check the stolen driving of the vehicle in real time, and has the effect of performing a quick response.
  • FIG. 2 is a diagram showing another application example of the vehicle theft detection device according to an embodiment of the present invention.
  • the vehicle theft detection device 102 may be provided separately from the vehicle 10 as in the example shown in FIG. 2.
  • the vehicle theft detection device 102 may be implemented in the form of a separate server.
  • the vehicle 10 is provided with a driving data providing unit 11 that collects driving data of the vehicle and transmits it to the vehicle theft detection device 102.
  • the vehicle theft detection device 102 may determine whether or not the current vehicle is driven by a basic driver based on the data provided by the driving data providing unit 11, and provide information about this to the user terminal 200. have.
  • some components of the vehicle theft detection device 102 are provided in the vehicle 10, and the other components may be implemented outside the vehicle-for example, in the form of a separate server.
  • the embodiment of the vehicle theft detection device 100 and 102 in the present application may not be limited to being physically located in the vehicle 10, and the vehicle theft detection device according to the present invention may be variously modified and implemented. All inclusive is self-evident.
  • FIG. 3 is a flowchart illustrating a vehicle theft detection method based on a driver profile according to an embodiment of the present invention.
  • the vehicle theft detection method illustrated in FIG. 3 may be performed in the vehicle theft detection apparatuses 100 and 102 (hereinafter, referred to as 100) illustrated in FIGS. 1 to 2.
  • the vehicle theft detection apparatus 100 may model a basic driver profile by performing supervised learning based on basic driving data collected while driving of a basic driver (S410).
  • the vehicle theft detection apparatus 100 may determine whether the current driver corresponds to the basic driver by performing unsupervised learning of the driving data collected while the current driver is driving by using the model derived through supervised learning.
  • Modeling of basic drivers is formed through supervised learning. If the current input data is encoded and decoded using the modeling, and the decoded result data has a certain error from the input data, the current input data is in a different form from the modeling for the basic driver, that is, the basic driver. Since the input data does not correspond to the profile, it is determined that it is driven by a person other than the basic driver.
  • FIG. 4 is a block diagram illustrating a vehicle theft detection apparatus according to an embodiment of the present invention
  • FIG. 6 is a flowchart illustrating an embodiment of a vehicle theft detection method performed by the vehicle theft detection apparatus shown in FIG. 4. to be.
  • the vehicle theft detection device 100 includes a driving data generation unit 310, a supervised learning modeling unit 320, and an abnormal driving determination unit 330. According to an embodiment, the vehicle theft detection device 100 may further include a theft alarm unit 340.
  • the driving data generating unit 310 may generate driving data from driving of the vehicle (S610).
  • the driving data is a multivariate generating a plurality of variables at each time point, and has a characteristic of a time series having a high correlation over a certain level with respect to time.
  • the driving data may include a pressure of an accelerator pedal, a pressure of a brake pedal, a vehicle speed, a steering angle, a vehicle rotation speed, etc. collected per second during driving. Or it may include at least some of these.
  • the driving data is a matrix including a plurality of variables described above, and may be a plurality of matrix data in which values of the plurality of variables change over time.
  • the supervised learning modeling unit 320 may model a basic driver profile by performing supervised learning based on the basic driving data collected while driving of the basic driver (S620).
  • the supervised learning modeling unit 320 may provide information on the formed modeling to the abnormal driving determination unit 330.
  • the abnormal driving determination unit 330 determines whether the current driving data is due to the basic driver by using the modeling provided by the supervised learning modeling unit 320 (S630).
  • the abnormal driving determination unit 330 may derive the second driving data by modeling the first driving data and performing reverse modeling on the result.
  • the abnormal driving determination unit 330 may determine whether the current driver corresponds to the basic driver based on a difference between the first driving data and the second driving data.
  • the abnormal driving determination unit 330 may determine the situation as a theft (S640).
  • the abnormal operation determination unit 330 will be described in more detail below with reference to FIG. 5.
  • the theft alarm unit 340 may provide a theft warning to the user terminal 200 (shown in FIG. 1) of the basic driver (S650).
  • FIG. 5 is a block diagram illustrating an embodiment of an abnormal driving determination unit illustrated in FIG. 3.
  • an embodiment of the abnormal operation determination unit 330 will be described in more detail with reference to FIG. 5.
  • the abnormal operation determination unit 330 may include a convolutional neural network encoder 510, a long short-term memory (LSTM) modeler 520, a deconvolution operator 530, and a comparator 540.
  • LSTM long short-term memory
  • the convolutional neural network encoder 510 may receive driving data, that is, matrices describing a change according to a time series for each variable.
  • the convolutional neural network encoder 510 encodes matrices with a convolutional neural network.
  • a plurality of convolutional neural networks are illustrated, but the present invention is not limited thereto.
  • the LSTM modeler 520 derives a correlation between variables according to the time series by modeling the time series characteristics of information encoded by a long short-term memory network based on an attention mechanism.
  • a plurality of LSTM networks are also shown, but the present invention is not limited thereto.
  • the deconvolution operator 530 reconstructs the matrix 31 through a deconvolution operation corresponding to the inverse of the encoding process.
  • the comparator 540 calculates the difference between the input matrix 21 and the reimplemented matrix 31. If the difference between the input matrix 21 and the re-implemented matrix 31 by the comparator 540 is greater than or equal to the threshold, the abnormal driving determination unit 330 determines that the current driving data is not driving by the basic driver, but against theft driving. It can be judged by driving by.
  • FIG. 7 is a block diagram illustrating another embodiment of the abnormal driving determination unit shown in FIG. 3
  • FIG. 8 is a block diagram illustrating another embodiment of a vehicle theft detection method performed by the vehicle theft detection apparatus shown in FIG. 4. This is a flow chart.
  • Another embodiment 331 of the abnormal operation determination unit is a convolutional neural network encoder 710, a long short-term memory (LSTM) modeler 720, a deconvolution operator 730, a comparator 740, and a determiner 750. ).
  • LSTM long short-term memory
  • the convolutional neural network encoder 710 the long short-term memory (LSTM) modeler 720, and the deconvolution operator 730 can be understood from the above description in FIG. 5, the description will be omitted here.
  • LSTM long short-term memory
  • the comparator 740 calculates the difference between the input matrix 21 and the reimplemented matrix 31.
  • the determiner 750 Determines that the current driver does not correspond to the basic driver.
  • FIG. 9 is a block diagram illustrating another embodiment of a vehicle theft detection apparatus according to an embodiment of the present invention
  • FIG. 10 is an embodiment of a vehicle theft detection method performed by the vehicle theft detection apparatus shown in FIG. 9 It is a flowchart explaining an example.
  • FIGS. 9 and 10 Another embodiment of a vehicle theft detection apparatus and method will be described with reference to FIGS. 9 and 10.
  • the vehicle theft detection device 101 includes a driving data generation unit 910, a supervised learning modeling unit 920, an abnormal driving determination unit 930, and a rule-based determination support unit 950.
  • a theft alarm unit 940 may be further included.
  • the driving data generation unit 910 the supervised learning modeling unit 920, the abnormal driving determination unit 930, and the theft alarm unit 940 can be easily understood from the above description with reference to FIGS. 3 to 8, here The explanation is omitted.
  • the rule-based determination support unit 950 may detect the driving data based on a rule and update the threshold value for a difference between the first driving data and the second driving data.
  • the rule-based determination support unit 950 may be a separately provided large-capacity server, rapidly analyzes a large amount of state information, and may update the threshold value based on a rule.
  • theft is determined based on unsupervised learning, and the threshold, which is a criterion for theft determination, can be learned and updated based on rules. Accordingly, the accuracy of the theft determination will be dynamically improved. There is an effect that can be.
  • the present invention may cover various other modified embodiments that perform detection based on no learning by using modeling formed on the basis of learning.
  • judgment machine 950 rule-based judgment support unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Burglar Alarm Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

본 발명의 일 기술적 측면에 따른 무감독 학습 기반의 탐지 방법은, 감독 학습된 모델을 이용한 무감독 학습 기반의 탐지 방법으로서, 주행 데이터로부터 복수의 제1 행렬 데이터를 생성하는 단계, 상기 복수의 행렬 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계, 상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계, 상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 복수의 제2 행렬 데이터를 재구현하는 단계 및 상기 복수의 제1 행렬 데이터와 상기 복수의 제2 행렬 데이터 간의 차이를 기초로, 현재의 주행이 기 감독 학습된 운전자 프로파일에 대응되는지 판단하는 단계를 포함한다.

Description

무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법
본 발명은 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법에 관한 것이다.
수 있어, 최근 다양한 학습 이론을 기반으로 보다 지능적인 보안 기술을 개발하고 있는 추세이다.
종래의 이러한 학습 기반의 보안 기술로서, 특정 운전자가 설정된 상태에서 해당 운전자의 가속페달 조작정보, 브레이크 페달 조작정보, 차량 속도, 앞차와의 거리 정보 등의 데이터를 기초로 모델링을 수행하여 운전자를 식별하는 기술이 개발되었다. 이러한 종래 기술의 경우, 운전 데이터가 충분히 확보된 그 특정 운전자에 대해서, 즉, 감독 학습(Supervised Learnig) 환경에서는 비교적 정확한 인식이 가능한 효과를 가지나, 비 학습된 운전자에 의하여 차량이 도난되는 경우에는 기존에 관측되지 않은 데이터가 입력되므로 인식이 불가능해지거나 또는 탐색의 오류가 높아지는 등의 문제가 있다.
즉, 기존의 감독 학습 기반 탐지 기법은 기 관찰된 운전자일 경우에만 적용이 가능하며, 특히, 도난 차량의 경우 등 기 관찰되지 않은 운전자 데이터가 입력되는 비학습 환경에서는 그 정확도가 낮아지는 한계가 있다.
본 발명은 상기한 종래 기술의 문제점을 해결하기 위한 것으로써, 감독 학습(Supervised Learning)에서 얻어진 모델링을, 무감독 학습(Unsupervised Learning) 방식에 적용하여, 사전에 학습되지 않은 조건에서도 정확하게 탐지가 가능한 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법을 제공하는 것이다.
본 발명의 상기 목적과 여러 가지 장점은 이 기술분야에 숙련된 사람들에 의해 본 발명의 바람직한 실시예로부터 더욱 명확하게 될 것이다.
본 발명의 일 기술적 측면은 무감독 학습 기반의 탐지 방법을 제공한다. 상기 무감독 학습 기반의 탐지 방법은 감독 학습된 모델을 이용한 무감독 학습 기반의 탐지 방법으로서, 주행 데이터로부터 복수의 제1 행렬 데이터를 생성하는 단계, 상기 복수의 행렬 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계, 상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계, 상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 복수의 제2 행렬 데이터를 재구현하는 단계 및 상기 복수의 제1 행렬 데이터와 상기 복수의 제2 행렬 데이터 간의 차이를 기초로, 현재의 주행이 기 감독 학습된 운전자 프로파일에 대응되는지 판단하는 단계를 포함한다.
일 실시예에서, 상기 주행 데이터는, 매 시점마다 복수의 변수를 생성하는 다변량이고, 시간에 대하여 일정 이상의 높은 상관관계를 가지는 시계열의 특징을 가질 수 있다.
일 실시예에서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는, 상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는, 기 설정된 시간 이상 동안 상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
본 발명의 다른 일 기술적 측면은 운전자 프로파일 기반 차량 도난 감지 방법을 제공한다. 상기 운전자 프로파일 기반 차량 도난 감지 방법은, 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 단계 및 상기 감독 학습을 통하여 도출된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계를 포함한다.
일 실시예에서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는, 상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고, 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계 및 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이를 기초로 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계는, 상기 제1 주행 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계, 상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계 및 상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 상기 제2 주행 데이터를 재구현하는 단계를 포함할 수 있다.
일 실시예에서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는, 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는, 기 설정된 시간 이상 동안 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 운전자 프로파일 기반 차량 도난 감지 방법은, 상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 일 기술적 측면은 운전자 프로파일 기반 차량 도난 감지 장치를 제공한다. 상기 운전자 프로파일 기반 차량 도난 감지 장치는, 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 감독 학습 모델링부 및 상기 감독 학습 모델링부에서 생성된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 이상운전 판단부를 포함한다.
일 실시예에서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는, 상기 이상운전 판단부에서 상기 현재 운전자가 상기 기본 운전자와 다르다고 판단하면, 상기 기본 운전자에게 도난 경보를 제공하는 도난 경보부를 더 포함할 수 있다.
일 실시예에서, 상기 이상운전 판단부는, 상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하고, 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면 상기 현재 운전자가 상기 기본 운전자와 다른 것으로 판단할 수 있다.
일 실시예에서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는, 상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 규칙기반 판단 지원부를 더 포함할 수 있다.
상기한 과제의 해결 수단은, 본 발명의 특징을 모두 열거한 것은 아니다. 본 발명의 과제 해결을 위한 다양한 수단들은 이하의 상세한 설명의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시형태에 따르면, 학습 대상이 아닌 데이터에 대해서도 무감독 학습 알고리즘 기반으로 식별이 가능하며, 그에 따라 비 학습 데이터에 대한 탐지를 수행할 수 있는 효과가 있다.
또한, 본 발명의 일 실시형태에 따르면, 도난에 의하여 차량이 운행되는 경우를 탐지할 수 있으며, 따라서 도난 운전자에 대한 학습 없이도 도난 운전 여부를 감지할 수 있는 효과가 있다.
본 발명의 일 실시형태에 따르면, 이상 운전 패턴 감지를 위하여 대량의 상태 정보를 분석하여 학습 모델링의 임계 데이터를 조정함으로써, 보다 정확한 탐지를 수행할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 일 적용예를 도시하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 적용예를 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 운전자 프로파일 기반 차량 도난 감지 방법을 설명하는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 차량 도난 감지 장치를 설명하는 블록 구성도이다.
도 5는 도 3에 도시된 이상 운전 판단부의 일 실시예를 도시하는 블록 구성도이다.
도 6은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
도 7은 도 3에 도시된 이상 운전 판단부의 다른 일 실시예를 도시하는 블록 구성도이다.
도 8은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 다른 일 실시예를 설명하는 순서도이다.
도 9는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 실시예를 설명하는 블록 구성도이다.
도 10은 도 9에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태들을 설명한다.
그러나, 본 발명의 실시형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시 형태로 한정되는 것은 아니다. 또한, 본 발명의 실시형태는 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다.
도 1은 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 일 적용예를 도시하는 도면이다.
도 1을 참조하면, 본 발명에 따른 차량 도난 감지 장치(100)는 차량(10)에 구비되어 차량의 운전 상태를 기초로 현재 차량이 도난 상태인지 판단할 수 있다.
차량 도난 감지 장치(100)는 기본 운전자 -차량의 정당한 운전자-의 운전 데이터를 기초로 감독 학습(Supervised Learning)을 기초로 모델링을 수행하여, 운전자 프로파일을 생성할 수 있다.
차량 도난 감지 장치(100)는 감독 학습(Supervised Learning)에서 얻어진 모델링을, 현재의 운행 상태에 무감독 학습(Unsupervised Learning)으로 반영하여 현재의 운행이 기본 운전자에 의한 것인지 판정할 수 있다.
차량 도난 감지 장치(100)는 현재의 운행이 기본 운전자에 의한 것이 아닌 것으로 판단되면, 기본 운전자의 사용자 단말(200)에 현재 차량이 도난 운행 중인 것을 알릴 수 있다.
이에 따라, 기본 운전자는 차량의 도난 주행을 즉시적으로 실시간으로 확인할 수 있으며, 빠른 대응을 수행할 수 있는 효과를 가진다.
도 2는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 적용예를 도시하는 도면이다.
차량 도난 감지장치(102)는 도 2에 도시된 예와 같이 차량(10)에서 분리되어 구비될 수 있다. 예컨대, 차량 도난 감지장치(102)는 별도의 서버의 형태로 구현될 수 있다. 이러한 경우, 차량(10)에는 차량의 주행 데이터를 수집하여 차량 도난 감지장치(102)에 송신하는 주행 데이터 제공부(11)가 구비된다. 차량 도난 감지장치(102)는 주행 데이터 제공부(11)에서 제공하는 데이터를 기초로 현재 차량의 운행이 기본 운전자에 의한 것인지 아닌지를 판단하고, 이에 대한 정보를 사용자 단말(200)에 제공할 수 있다.
실시 형태에 따라, 차량 도난 감지장치(102)의 일부 구성은 차량(10)에 구비되며, 나머지 구성은 차량의 외부-예컨대, 별도의 서버 형태-로 구현될 수도 있다.
따라서, 본 출원에서 차량 도난 감지장치(100,102)의 실시 형태는 물리적으로 차량(10)에 위치되는 것으로 한정되지 않을 수 있으며, 본 발명에 따른 차량 도난 감지장치는 다양하게 변형 실시되는 여러 실시형태를 모두 포괄함은 자명하다.
도 3은 본 발명의 일 실시예에 따른 운전자 프로파일 기반 차량 도난 감지 방법을 설명하는 순서도이다. 도 3에 도시된 차량 도난 감지 방법은 도 1 내지 도 2에 도시된 차량 도난 감지 장치(100,102)(이하, 100으로 대표 표기함)에서 수행될 수 있다.
도 3을 참조하면, 차량 도난 감지 장치(100)는 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링 할 수 있다(S410).
이후, 차량 도난 감지 장치(100)는 감독 학습을 통하여 도출된 모델을 이용하여 현재 운전자의 주행 중 수집된 주행 데이터를 무감독 학습하여, 현재 운전자가 기본 운전자에 상응하는지 판단할 수 있다.
감독 학습을 통하여 기본 운전자에 대한 모델링을 형성한다. 그 모델링을 활용하여 현재의 입력 데이터에 대하여 인코딩과 디코딩을 수행하고, 디코딩된 결과 데이터가 입력 데이터와 일정 이상 오차가 있다면, 현재의 입력 데이터는 기본 운전자에 대한 모델링과 상이한 형태, 즉, 기본 운전자 프로파일에 대응되지 않는 입력 데이터가 되므로 기본 운전자가 아닌 자에 의해 운전되는 것으로 판단한다.
이하에서, 도 4 내지 도 10을 참조하여 차량 도난 감지 장치 및 방법에 대하여 보다 상세히 설명한다.
도 4는 본 발명의 일 실시예에 따른 차량 도난 감지 장치를 설명하는 블록 구성도이고, 도 6은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
이하, 도 4 및 도 6을 참조하여, 차량 도난 감지 장치(100)와 그에 의하여 수행되는 차량 도난 감지 방법에 대하여 설명한다.
차량 도난 감지 장치(100)는 주행 데이터 생성부(310), 감독 학습 모델링부(320) 및 이상운전 판단부(330)를 포함한다. 실시예에 따라, 차량 도난 감지 장치(100)는 도난 경보부(340)를 더 포함할 수 있다.
주행 데이터 생성부(310)는 차량의 주행으로부터 주행 데이터를 생성할 수 있다(S610).
주행 데이터는 매 시점마다 복수의 변수를 생성하는 다변량이고, 시간에 대하여 일정 이상의 높은 상관관계를 가지는 시계열의 특징을 가진다.
예를 들어, 주행 데이터는, 주행 시 초당 수집되는 가속 패달의 압력, 브레이크 페달의 압력, 차량 속도, 핸들 조작 각도, 차량 회전 속도 등을 포함할 수 있다. 또는 이들 중 적어도 일부를 포함할 수 있다.
주행 데이터는 상술한 복수의 변수를 포함하는 행렬로서, 시간에 따라 상기 복수의 변수 값이 변화하는 복수의 행렬 데이터일 수 있다.
감독 학습 모델링부(320)는 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링할 수 있다(S620).
감독 학습 모델링부(320)는 형성된 모델링에 대한 정보를 이상운전 판단부(330)에 제공할 수 있다.
이상운전 판단부(330)는 감독 학습 모델링부(320)에서 제공한 모델링을 이용하여 현재의 주행 데이터가 기본 운전자에 의한 것인지 판단한다(S630).
예컨대, 이상운전 판단부(330)는 제1 주행 데이터를 모델링하고 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출할 수 있다. 이상운전 판단부(330)는 제1 주행 데이터와 제2 주행 데이터 간의 차이를 기초로 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단할 수 있다.
예를 들어, 이상운전 판단부(330)는 제1 주행 데이터와 제2 주행 데이터 간의 차이가 임계치 이상이면, 도난 상황으로 판단할 수 있다(S640).
이러한 이상운전 판단부(330)에 대해서는 도 5를 참조하여 이하에서 보다 상세히 설명한다.
도난 경보부(340)는 이상운전 판단부(330)에서 현재 운전자가 기본 운전자와 다르다고 판단하면, 기본 운전자의 사용자 단말(200, 도 1에 도시됨)에게 도난 경보를 제공할 수 있다(S650).
도 5는 도 3에 도시된 이상 운전 판단부의 일 실시예를 도시하는 블록 구성도이다. 이하, 도 5를 참조하여, 이상운전 판단부(330)의 일 실시예에 대하여 보다 상세히 설명한다.
이상운전 판단부(330)는 컨볼루션 신경망 인코더(510), LSTM(Long Short-term Memory) 모델러(520), 디컨볼루션 연산기(530) 및 비교기(540)를 포함할 수 있다.
컨볼루션 신경망 인코더(510)는 주행 데이터, 즉, 변수별 시계열에 따른 변화를 설명하는 행렬들을 입력받을 수 있다. 컨볼루션 신경망 인코더(510)는 컨볼루션 신경망(Convolutional Neural Network)으로 행렬들을 인코딩한다. 컨볼루션 신경망은 복수 개로 도시되어 있으나, 반드시 이에 한정되는 것은 아니다.
LSTM 모델러(520)는 주의 (attention) 메커니즘 기반 Long Short-term Memory 네트워크로 인코딩된 정보의 시계열 특징을 모델링하여 시계열에 따른 변수간 상관관계를 도출한다. LSTM 네트워크 역시 복수 개로 도시되어 있으나, 반드시 이에 한정되는 것은 아니다.
디컨볼루션 연산기(530)는 인코딩 과정의 역에 해당하는 디컨볼루션 연산을 통해 행렬(31)을 재구현한다.
비교기(540)는 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이를 계산한다. 비교기(540)에 의하여 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이가 임계치 이상이면, 이상운전 판단부(330)는 현재의 주행 데이터는 기본 운전자에 의한 주행이 아닌 아닌 도난 운전에 의한 주행으로 판단할 수 있다.
즉, 입력 행렬(21)과 재구현 된 행렬(31) 간의 손실값이 클수록 도난 차량 주행일 경우가 높다는 것을 의미한다. 이는, 유사한 주행 패턴을 학습 데이터에서 관찰하지 못하였을 경우, 즉, 이상데이터일 확률이 높을 경우 입력된 행렬을 재구현하지 못할 것이기 때문이다.
도 7은 도 3에 도시된 이상 운전 판단부의 다른 일 실시예를 도시하는 블록 구성도이고, 도 8은 도 4에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 다른 일 실시예를 설명하는 순서도이다.
이하, 도 7 및 도 8을 참조하여, 이상 운전 판단부의 다른 일 실시예와 그에 따른 차량 도난 감지 방법의 다른 일 실시예에 대하여 설명한다.
이상 운전 판단부의 다른 일 실시예(331)는 컨볼루션 신경망 인코더(710), LSTM(Long Short-term Memory) 모델러(720), 디컨볼루션 연산기(730), 비교기(740) 및 판단기(750)를 포함한다.
컨볼루션 신경망 인코더(710), LSTM(Long Short-term Memory) 모델러(720) 및 디컨볼루션 연산기(730)에 대해서는 도 5에서 상술한 설명으로부터 이해할 수 있으므로, 여기서는 설명을 생략한다.
비교기(740)는 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이를 계산한다.
비교기(740)에 의하여 입력 행렬(21)과 재구현 된 행렬(31) 간의 차이가 임계치 이상이고(S840, 예), 이러한 임계치 이상의 값이 일정 시간 이상 지속되면(S850), 판단기(750)는 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단한다.
이는, 동일한 운전자도 상황에 따라 평소와 다른 패턴으로 운전할 수도 있으므로, 이러한 경우에도 오작동을 최소화할 수 있다.
도 9는 본 발명의 일 실시예에 따른 차량 도난 감지 장치의 다른 일 실시예를 설명하는 블록 구성도이고, 도 10은 도 9에 도시된 차량 도난 감지 장치에서 수행되는 차량 도난 감지 방법의 일 실시예를 설명하는 순서도이다.
이하, 도 9 및 도 10을 참조하여, 차량 도난 감지 장치 및 방법의 다른 일 실시예에 대하여 설명한다.
도 9를 참조하면, 차량 도난 감지 장치(101)는 주행 데이터 생성부(910), 감독 학습 모델링부(920), 이상운전 판단부(930) 및 규칙기반 판단 지원부(950)를 포함하며, 실시예에 따라, 도난 경보부(940)를 더 포함할 수도 있다.
주행 데이터 생성부(910), 감독 학습 모델링부(920), 이상운전 판단부(930) 및 도난 경보부(940)에 대해서는 도 3 내지 도 8을 참조하여 상술한 설명으로부터 쉽게 이해할 수 있으므로, 여기에서는 설명을 생략한다.
규칙기반 판단 지원부(950)는 주행 데이터에 대하여 규칙 기반으로 탐지하여, 제1 주행 데이터와 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신할 수 있다.
일 예로, 규칙기반 판단 지원부(950)는 별도로 구비되는 대용량 서버일 수 있으고, 대량의 상태 정보들을 신속하게 분석하며, 규칙 기반으로 상기 임계치의 수치를 갱신할 수 있다.
이러한 실시예에서는, 무감독 학습 기반으로 도난을 판단함과 함께, 도난 판단의 기준이 되는 임계치에 대해서는 규칙 기반으로 학습하여 갱신을 실시할 수 있으므로, 그에 따라 도난 판단의 정확도를 동적으로 개선시켜 나갈 수 있는 효과가 있다.
이상에서는, 도 1 내지 도 10을 참조하여, 차량 도난 감지 기술에 대하여 설명하였으나, 이는 설명을 위한 것으로서, 본 발명의 실시 형태가 반드시 도난 감지에만 한정되는 것은 아니다.
즉, 본 발명은 학습 기반으로 형성된 모델링을 이용하여, 무학습 기반의 탐지를 수행하는 다양한 다른 변형 실시 형태도 포괄할 수 있다.
따라서, 이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.
100, 102 : 차량 도난 감지장치
310, 910 : 주행 데이터 생성부 320, 920 : 감독 학습 모델링부
330, 930 : 이상운전 판단부 340, 940 : 도난 경보부
510, 710 : 컨볼루션 신경망 인코더 520, 720 : LSTM 모델러
530, 730 : 디컨볼루션 연산기 540, 740 : 비교기
750 : 판단기 950 : 규칙기반 판단 지원부
200 : 사용자 단말

Claims (14)

  1. 감독 학습된 모델을 이용한 무감독 학습 기반의 탐지 방법으로서,
    주행 데이터로부터 복수의 제1 행렬 데이터를 생성하는 단계;
    상기 복수의 제1 행렬 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계;
    상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계;
    상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 복수의 제2 행렬 데이터를 재구현하는 단계; 및
    상기 복수의 제1 행렬 데이터와 상기 복수의 제2 행렬 데이터 간의 차이를 기초로, 상기 주행 데이터가 기 감독 학습된 운전자 프로파일에 대응되는지 판단하는 단계;
    를 포함하는 무감독 학습 기반의 탐지 방법.
  2. 제1항에 있어서, 상기 주행 데이터는
    매 시점마다 복수의 변수를 생성하는 다변량이고, 시간에 대하여 일정 이상의 높은 상관관계를 가지는 시계열의 특징을 가지는 무감독 학습 기반의 탐지 방법.
  3. 제1항에 있어서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는
    상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 무감독 학습 기반의 탐지 방법.
  4. 제1항에 있어서, 상기 운전자 프로파일에 대응되는지 판단하는 단계는
    기 설정된 시간 이상 동안 상기 제1 행렬 데이터와 상기 제2 행렬 데이터 간의 차이가 임계치 이상이면, 상기 주행 데이터가 상기 운전자 프로파일에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 무감독 학습 기반의 탐지 방법.
  5. 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 단계; 및
    상기 감독 학습을 통하여 도출된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  6. 제5항에 있어서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는
    상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고, 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계; 및
    상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이를 기초로 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  7. 제6항에 있어서, 상기 역 모델링을 수행하여 제2 주행 데이터를 도출하는 단계는
    상기 제1 주행 데이터를 컨볼루션 신경망을 이용하여 인코딩하여 인코딩 정보를 생성하는 단계;
    상기 인코딩 정보의 시계열 특징을, LSTM(Long Short-term Memory) 네트워크를 이용하여 모델링하여 시계열에 따른 변수 간 상관관계를 도출하는 단계; 및
    상기 시계열에 따른 변수 간 상관관계에 대하여 디컨볼루션 연산을 통하여 상기 제2 주행 데이터를 재구현하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  8. 제6항에 있어서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는
    상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  9. 제6항에 있어서, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 단계는
    기 설정된 시간 이상 동안 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면, 상기 현재 운전자는 상기 기본 운전자에 대응되지 않는 것으로 판단하는 단계;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  10. 제8항에 있어서, 상기 운전자 프로파일 기반 차량 도난 감지 방법은,
    상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 단계;
    를 더 포함하는 운전자 프로파일 기반 차량 도난 감지 방법.
  11. 기본 운전자의 주행 중 수집된 기본 주행 데이터를 기초로 감독 학습을 실시하여 기본 운전자 프로파일을 모델링하는 감독 학습 모델링부; 및
    상기 감독 학습 모델링부에서 생성된 모델을 이용하여 현재 운전자의 주행 중 수집된 제1 주행 데이터를 무감독 학습하여, 상기 현재 운전자가 상기 기본 운전자에 상응하는지 판단하는 이상운전 판단부;
    를 포함하는 운전자 프로파일 기반 차량 도난 감지 장치.
  12. 제11항에 있어서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는
    상기 이상운전 판단부에서 상기 현재 운전자가 상기 기본 운전자와 다르다고 판단하면, 상기 기본 운전자에게 도난 경보를 제공하는 도난 경보부;
    를 더 포함하는 운전자 프로파일 기반 차량 도난 감지 장치.
  13. 제11항에 있어서, 상기 이상운전 판단부는
    상기 모델을 이용하여 상기 제1 주행 데이터를 모델링하고 그 결과에 대하여 역 모델링을 수행하여 제2 주행 데이터를 도출하고, 상기 제1 주행 데이터와 상기 제2 주행 데이터 간의 차이가 임계치 이상이면 상기 현재 운전자가 상기 기본 운전자와 다른 것으로 판단하는 운전자 프로파일 기반 차량 도난 감지 장치.
  14. 제13항에 있어서, 상기 운전자 프로파일 기반 차량 도난 감지 장치는
    상기 제1 주행 데이터에 대하여 규칙 기반으로 탐지하여, 상기 제1 주행 데이터 및 상기 제2 주행 데이터 간의 차이에 대한 상기 임계치를 갱신하는 규칙기반 판단 지원부;
    를 더 포함하는 운전자 프로파일 기반 차량 도난 감지 장치.
PCT/KR2019/015542 2019-08-29 2019-11-14 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법 WO2021040137A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP19943297.2A EP4024292A4 (en) 2019-08-29 2019-11-14 DETECTION METHOD BASED ON UNSUPERVISED LEARNING, AS WELL AS VEHICLE THEFT DETECTION DEVICE BASED ON A DRIVER PROFILE AND METHOD USING SAME
US16/956,992 US11498575B2 (en) 2019-08-29 2019-11-14 Unsupervised learning-based detection method and driver profile- based vehicle theft detection device and method using same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190106420A KR20210026112A (ko) 2019-08-29 2019-08-29 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법
KR10-2019-0106420 2019-08-29

Publications (1)

Publication Number Publication Date
WO2021040137A1 true WO2021040137A1 (ko) 2021-03-04

Family

ID=74685925

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/015542 WO2021040137A1 (ko) 2019-08-29 2019-11-14 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법

Country Status (2)

Country Link
KR (2) KR20210026112A (ko)
WO (1) WO2021040137A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102641022B1 (ko) * 2023-08-11 2024-02-28 대한민국 인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140200737A1 (en) * 2012-03-05 2014-07-17 Victor B. Lortz User identification and personalized vehicle settings management system
US20160101783A1 (en) * 2014-10-09 2016-04-14 Ford Global Technologies, Llc Adaptive driver identification fusion
US9855919B2 (en) * 2011-08-09 2018-01-02 Intelligent Mechatronic Systems Inc. Vehicle monitoring system with automatic driver identification
JP2019074849A (ja) * 2017-10-13 2019-05-16 株式会社デンソー 運転データ解析装置
KR20190090367A (ko) * 2019-07-11 2019-08-01 엘지전자 주식회사 차량 탑승자 상태 감지방법 및 차량 탑승자 상태 감지장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9406222B2 (en) 2012-10-18 2016-08-02 Calamp Corp. Systems and methods for location reporting of detected events in vehicle operation
US9459277B2 (en) 2013-02-19 2016-10-04 Calamp Corp. Systems and methods for 3-axis accelerometer calibration with vertical sample buffers

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9855919B2 (en) * 2011-08-09 2018-01-02 Intelligent Mechatronic Systems Inc. Vehicle monitoring system with automatic driver identification
US20140200737A1 (en) * 2012-03-05 2014-07-17 Victor B. Lortz User identification and personalized vehicle settings management system
US20160101783A1 (en) * 2014-10-09 2016-04-14 Ford Global Technologies, Llc Adaptive driver identification fusion
JP2019074849A (ja) * 2017-10-13 2019-05-16 株式会社デンソー 運転データ解析装置
KR20190090367A (ko) * 2019-07-11 2019-08-01 엘지전자 주식회사 차량 탑승자 상태 감지방법 및 차량 탑승자 상태 감지장치

Also Published As

Publication number Publication date
KR20220014339A (ko) 2022-02-04
KR20210026112A (ko) 2021-03-10

Similar Documents

Publication Publication Date Title
WO2021002549A1 (ko) 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법
WO2018194368A1 (en) Method and apparatus for access control in distributed blockchain-based internet of things (iot) network
WO2022039318A1 (ko) 비식별화 영상 데이터를 이용한 인공지능 학습 방법 및 시스템
WO2020091421A1 (ko) 네트워크 플랫폼을 적용한 자율주행차량 시뮬레이터
WO2019027208A1 (ko) 인공 신경망의 훈련 방법
WO2013115470A1 (en) Integrated control system and method using surveillance camera for vehicle
WO2021194056A1 (en) Method for training deep learning network based on artificial intelligence and learning device using the same
WO2020111754A2 (ko) 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
WO2019235828A1 (ko) 투 페이스 질병 진단 시스템 및 그 방법
WO2020256246A1 (ko) 딥러닝 기반의 자동차 부위별 파손정도 자동 판정을 위한 모델 학습 방법 및 시스템
WO2020189810A1 (ko) 차량내 복합생체인증시스템 및 그 동작방법
WO2021040137A1 (ko) 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2020032420A1 (en) Method for training and testing data embedding network to generate marked data by integrating original data with mark data, and training device and testing device using the same
WO2022211140A1 (ko) 차량운전 상태정보를 이용한 에지 딥러닝 기반의 차량 안전운전 시스템
WO2019124770A1 (ko) 단말 장치 및 단말 장치의 제어 방법
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
WO2022114655A1 (ko) 클라우드 기반 디바이스 인공지능 설정 시스템 및 방법
EP4024292A1 (en) Unsupervised learning-based detection method, and driver profile-based vehicle theft detection device and method using same
WO2021261901A1 (ko) 함수 호출 패턴 분석을 통한 이상 검출 장치 및 방법
WO2021172780A1 (ko) 유전자 선별 방법 및 장치
WO2022065541A1 (ko) 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법
WO2022114657A1 (ko) 임베디드 인공지능 설정 시스템 및 방법
WO2022114656A1 (ko) 임베디드 인공지능 설치 시스템 및 방법
WO2019078418A1 (ko) 네트워크 보안 방법 및 장치

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: 19943297

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019943297

Country of ref document: EP

Effective date: 20220329