WO2022131393A1 - 인공지능 기반의 사고 방지용 전동 킥보드 및 그의 사고 방지 방법 - Google Patents

인공지능 기반의 사고 방지용 전동 킥보드 및 그의 사고 방지 방법 Download PDF

Info

Publication number
WO2022131393A1
WO2022131393A1 PCT/KR2020/018400 KR2020018400W WO2022131393A1 WO 2022131393 A1 WO2022131393 A1 WO 2022131393A1 KR 2020018400 W KR2020018400 W KR 2020018400W WO 2022131393 A1 WO2022131393 A1 WO 2022131393A1
Authority
WO
WIPO (PCT)
Prior art keywords
road surface
unit
distance
road
result
Prior art date
Application number
PCT/KR2020/018400
Other languages
English (en)
French (fr)
Inventor
한승학
Original Assignee
주식회사 모빌린트
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 모빌린트 filed Critical 주식회사 모빌린트
Publication of WO2022131393A1 publication Critical patent/WO2022131393A1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62L—BRAKES SPECIALLY ADAPTED FOR CYCLES
    • B62L3/00—Brake-actuating mechanisms; Arrangements thereof
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
    • B62J45/00—Electrical equipment arrangements specially adapted for use as accessories on cycles, not otherwise provided for
    • B62J45/40—Sensor arrangements; Mounting thereof
    • B62J45/41—Sensor arrangements; Mounting thereof characterised by the type of sensor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
    • B62J50/00—Arrangements specially adapted for use on cycles not provided for in main groups B62J1/00 - B62J45/00
    • B62J50/20—Information-providing devices
    • B62J50/21—Information-providing devices intended to provide information to rider or passenger
    • B62J50/22—Information-providing devices intended to provide information to rider or passenger electronic, e.g. displays
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62K—CYCLES; CYCLE FRAMES; CYCLE STEERING DEVICES; RIDER-OPERATED TERMINAL CONTROLS SPECIALLY ADAPTED FOR CYCLES; CYCLE AXLE SUSPENSIONS; CYCLE SIDE-CARS, FORECARS, OR THE LIKE
    • B62K3/00—Bicycles
    • B62K3/002—Bicycles without a seat, i.e. the rider operating the vehicle in a standing position, e.g. non-motorized scooters; non-motorized scooters with skis or runners
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62M—RIDER PROPULSION OF WHEELED VEHICLES OR SLEDGES; POWERED PROPULSION OF SLEDGES OR SINGLE-TRACK CYCLES; TRANSMISSIONS SPECIALLY ADAPTED FOR SUCH VEHICLES
    • B62M6/00—Rider propulsion of wheeled vehicles with additional source of power, e.g. combustion engine or electric motor
    • B62M6/40—Rider propelled cycles with auxiliary electric motor
    • B62M6/45—Control or actuating devices therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery

Definitions

  • This specification relates to an artificial intelligence-based electric kickboard for accident prevention.
  • An electric kickboard is a type of transportation means that moves passengers by receiving power from a charged battery without using a separate fuel and operating a motor. is being used
  • the electric kickboard is manufactured in the basic form of a kickboard that can be steered by a steering wheel, and it can be driven by electricity by attaching an electric device to the body or wheel of the kickboard.
  • the present specification presents an artificial intelligence-based electric kickboard for accident prevention.
  • the electric kickboard includes a driving motor that decelerates or brakes according to a control signal, a communication unit that receives image data photographed in a driving direction from a camera, and recognizes people, vehicles, traffic lights and stop lines in the driving direction from the received image data, An image processing unit for calculating the distance to the person, the distance to the vehicle, and the distance to the stop line based on the recognition result, and determining the moving direction of the person, the moving direction of the vehicle, and the lighting state of the traffic light; A weight measuring unit for measuring the weight of the occupant based on at least one of the measured values of the weight sensor installed on the board frame and the torque sensor installed on the drive motor, the distance calculation result, the moving direction determination result, the lighting state of the traffic light; a calculator configured to calculate a braking distance based on at least one of a current speed, a current driving direction, and the weight of the occupant; and a controller configured to output a control signal to the driving
  • the electric kickboard and other embodiments may include the following features.
  • the image processing unit recognizes the road surface in the driving direction from the received image data, determines the state of the road surface based on the road surface recognition result, and outputs the determination result, and the operation unit recognizes the road surface
  • the braking distance may be calculated further based on the determination result on the state of .
  • the determination result on the condition of the road surface is determined as at least one of a roadway, a sidewalk, a bicycle road, an accident road, a road under construction, an unpaved road, and a rain road, and the calculation unit is based on the condition of the road surface
  • the braking distance may be calculated differently according to a result of the determination.
  • the lighting state of the traffic light when a collision with the person or the vehicle is expected, or the lighting state of the traffic light is determined to be a stop signal or a caution signal, the current speed, the weight of the occupant, and the state of the road surface A braking distance may be calculated based on a result of the determination.
  • the camera may be included in an external device, and the communication unit may receive the image data from the external device.
  • the electric kickboard may further include an alarm unit for generating a braking alarm, and the control unit may output a control signal for the driving motor and simultaneously generate the braking alarm to the occupant through the alarm unit.
  • the present specification provides an artificial intelligence-based accident prevention method performed by an electric kickboard.
  • the artificial intelligence-based accident prevention method includes receiving image data of a driving direction from a camera, recognizing a person, a vehicle, a traffic light, and a stop line in the driving direction from the received image data, and based on the recognition result calculating the distance to the person, the distance to the vehicle, and the distance to the stop line, and determining the moving direction of the person, the moving direction of the vehicle, and the lighting state of the traffic light, a weight sensor installed in the board frame, and measuring the weight of the occupant based on at least one of the measured values of the torque sensor installed in the driving motor; the distance calculation result; the moving direction determination result; the lighting state of the traffic light; the current speed; the current driving direction; calculating a braking distance based on at least one of the weight of , outputting a control signal to the driving motor for deceleration or braking based on the calculated braking distance, and controlling the driving motor according to the control signal to decele
  • the method and other embodiments may include the following features.
  • the method may include recognizing the road surface in the driving direction from the received image data, determining the state of the road surface based on the road surface recognition result, and outputting the determination result, and The method may further include calculating the braking distance based on a result of the determination.
  • the calculating of the braking distance based on the distance calculation result, the moving direction determination result, the lighting state of the traffic light, the current speed, the current driving direction, and the weight of the occupant may include: If a collision with a vehicle is expected or when it is determined that the lighting state of the traffic light is a stop signal or a caution signal, calculating a braking distance based on a result of determining the current speed, the weight of the occupant, and the state of the road surface; may include
  • the artificial intelligence-based electric kickboard for accident prevention can prevent safety accidents by automatically decelerating or stopping when the risk of collision or signal violation is expected by analyzing the image taken in the direction of travel with artificial intelligence. can have an effect.
  • the artificial intelligence-based electric kickboard for accident prevention has an effect of safely securing a braking distance by controlling the vehicle to decelerate or stop based on the road surface condition of the driving road and the weight of the occupant.
  • FIG 1 illustrates an artificial intelligence-based electric kickboard for accident prevention according to an embodiment of the present invention.
  • FIG 2 illustrates an artificial intelligence-based electric kickboard for accident prevention according to an embodiment of the present invention.
  • FIG. 3 is a block diagram of an AI device according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating an example of an artificial intelligence-based accident prevention method performed by an electric kickboard proposed in the present specification.
  • FIG. 6 is a schematic diagram illustrating the concept of an artificial intelligence-based accident prevention method performed by an electric kickboard proposed in the present specification.
  • the technology disclosed herein may be applied to an accident prevention technology of an electric kickboard.
  • the technology disclosed in the present specification is not limited thereto, and may be applied to all devices and methods to which the technical idea of the technology may be applied.
  • first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component.
  • FIG. 1 a structure of an artificial intelligence-based accident prevention electric kickboard according to an embodiment of the present invention will be described with reference to FIG. 1 .
  • 1 to 2 show an artificial intelligence-based electric kickboard for accident prevention according to an embodiment of the present invention.
  • the electric kickboard 100 is structurally a board frame 110 , a steering unit 120 , a folding unit 130 , first and second wheels 140 , 150), the first and second motors 160 and 170, and a battery (not shown) may be included.
  • the board frame 110 may have a structure such that the user's feet are placed on the upper surface thereof, and a flat footrest is provided on the upper surface for this purpose.
  • the steering unit 120 is provided on the front side of the electric kickboard 100 to change the moving direction of the board frame 110 , and the steering unit 120 includes a manipulation unit 123 for controlling the overall operation of the electric kickboard 100 .
  • the steering unit 120 is, for example, a handle 121 in the form of a bar for the user's grip, and the handle 121 is coupled to the upper end, and the front side of the board frame 110 by the folding unit 130 . It may include a steering post 122 that is built to be perpendicular to or folded to be parallel to the board frame 110 .
  • the manipulation unit 123 is installed on the handle 121 or the steering post 122, for example, to drive and stop the first and second motors 160 and 170, respectively, to adjust the rotational speed, and to set the driving speed range and brake.
  • it may include a button, a switch or a lever, and the like.
  • the brake is not shown here, a device for mechanically or electrically limiting rotation of the first and second wheels 140 and 150 may be applied. Also, when the brake is operated by the manipulation unit 123 , the first and second motors 160 and 170 may be stopped by the control unit 250 to be described later.
  • the folding part 130 is provided so that the board frame 110 and the steering part 120 are folded to each other so that a passenger (user) can easily carry or carry it.
  • one end is perpendicular to the steering post 122 It may be rotatably coupled to the axis through a bearing or the like, and may have a structure in which the other end is rotatably hinged about an axis in which the other end is horizontal to the board frame 110, and to limit the folding and unfolding state , a locking part (not shown) including a locking piece or a hook member or a fastening piece operated by an elastic force such as a manual operation or a spring may be provided.
  • the electric kickboard since the folding part 130 is not provided according to the electric kickboard 100 , the electric kickboard may not be folded.
  • the first and second wheels 140 and 150 are the lower end of the steering unit 120 , specifically, the lower end of the steering post 122 (that is, the lower front side of the board frame 110 ) and the lower surface of the board frame 110 . Each is installed so as to be rotatable on the rear side.
  • the first and second motors 160 and 170 are provided to rotate each of the first and second wheels 140 and 150, for example, motors or phosphors built into each of the first and second wheels 140 and 150. It may consist of an In Wheel Motor.
  • a battery (not shown) supplies power required for the operation of the first and second motors 160 and 170 , and is, for example, embedded in the board frame 110 , or detachable from the board frame 110 or the steering post 122 , etc. possible to be installed. Meanwhile, a charging circuit unit for charging the battery with an external power source may be provided on the board frame 110 , the manipulation unit 123 , and the like.
  • the controller 250 controls each of the first and second motors 160 and 170 according to the manipulation signal of the manipulation unit 123 . Accordingly, when the operation unit 123 controls or sets the driving and stopping, rotational speed adjustment, and traveling speed range of any one of the first and second motors 160 and 170 , the control unit 250 controls the operation unit 123 .
  • a control signal for controlling the first and second motors 160 and 170 to respectively adjust the driving and rotational speeds of the first and second motors 160 and 170 according to the operation signal, and to maintain the driving speed within a predetermined range can occur.
  • a display may be provided on the handle 121 or the steering post 122 of the steering unit 120 .
  • the display may be controlled by the controller 250 to output information such as a moving distance, a speed, a remaining battery level, and a current location on a map.
  • the control unit 250 measures the moving distance and speed through the rotational speed of the first and second motors 160 and 170 and real-time location tracking by the GPS signal, measures the remaining amount of the battery, and the storage unit 270 . It is possible to calculate the current location on the map by the map data stored in the GPS module (not shown).
  • the control unit 250 controls the rotation speed of the first and second motors 160 and 170 made of, for example, a step motor, a servo motor, etc., through a control signal, or, as another example, a first motor comprising a general motor or a BLDC motor. And it is possible to control the rotation speed of the motor through a value measured by a rotation speed measuring unit (not shown) such as an encoder that measures the rotation angle of the second motors (160, 170).
  • the electric kickboard 100 may include a motor on both the front wheel and the rear wheel, or only one of the two wheels may have a motor.
  • the above-described display may display (output) information processed by the electric kickboard 100 .
  • the display unit includes a liquid crystal display (LCD), a thin film transistor-liquid crystal display (TFT LCD), an organic light-emitting diode (OLED), a flexible display, 3 It may include at least one of a dimensional display (3D display).
  • the artificial intelligence-based electric kickboard for accident prevention includes a communication unit 210 , an image processing unit 220 , a weight measurement unit 230 , a calculation unit 240 , It may include a control unit 250 , an alarm unit 260 , and a storage unit 270 .
  • the communication unit 210 may receive image data obtained by photographing the driving direction from the camera 201 .
  • the camera 201 may be provided in a form directly connected to the steering unit 120 , and may transmit captured image data to the image processing unit 220 through the communication unit 210 .
  • the communication unit 210 transmits image data captured by a camera provided in the external device from an external device (eg, a smart device having a camera and wireless data transmission function, such as a smartphone owned by a passenger) to the wireless data of the external device. It can be received through the transmitter.
  • the communication unit 210 may receive the image data transmitted from the camera 201 through a wired or wireless transmission means. Also, the communication unit 210 may access the passenger's smart device through the provided network and connect to an external network through the smart device.
  • the networks disclosed herein include, for example, wireless networks, wired networks, public networks such as the Internet, private networks, Global System for Mobile communication network (GSM) networks, and general packet wireless networks (General). Packet Radio Network (GPRN), Local Area Network (LAN), Wide Area Network (WAN), Metropolitan Area Network (MAN), Cellular Network, Public Switched Telephone Network (Public Switched Telephone Network) ; PSTN), Personal Area Network, Bluetooth, Wi-Fi Direct, Near Field communication, Ultra-Wide band, a combination thereof, or any may be other networks of, but not limited to.
  • GSM Global System for Mobile communication network
  • General Packet Radio Network
  • LAN Local Area Network
  • WAN Wide Area Network
  • MAN Metropolitan Area Network
  • PSTN Public Switched Telephone Network
  • PSTN Public Switched Telephone Network
  • Bluetooth Wi-Fi Direct
  • Near Field communication Ultra-Wide band
  • Ultra-Wide band a combination thereof, or any may be other networks of, but not limited to.
  • the image processing unit 220 may recognize a person and a vehicle located in the driving direction of the electric kickboard 100 , a traffic light, and a stop line under the traffic light from the image data received through the communication unit 210 . In addition, the image processing unit 220 determines the distance to the object and the movement direction of the object based on the recognition result of the objects (including people and vehicles, traffic lights, and stop lines) recognized from the image data, or determines the moving direction of the object. status can be judged.
  • the image processing unit 220 calculates and determines the distance from the electric kickboard 100 to the person and the moving direction of the person, and if the recognized object is a vehicle, It is possible to calculate and determine the distance to the vehicle and the moving direction of the vehicle, and if the recognized object is a stop line of a traffic light, calculate the distance from the electric kickboard 100 to the stop line and determine the lighting state of the traffic light.
  • the lighting state of the traffic light determined by the image processing unit 220 may include all indication states displayed by the traffic light, including a driving signal, a caution signal, a first stop signal, a stop signal, and the like.
  • the weight measuring unit 130 is based on at least one of the measured values of the weight sensor 202 installed on the upper surface of the board frame 110 and the torque sensor 175 installed on the driving motors 160 , 170 , and 171 , the weight of the occupant. can be measured.
  • the occupant's weight includes not only the occupant's weight, but also the weight of his/her belongings such as backpacks.
  • the calculating unit 240 is configured to calculate the distance of the image processing unit 220, the moving direction determination result, and the lighting state determination result of the traffic light. If it is determined that (100) should be stopped, a required braking distance can be calculated. That is, when a collision with a person or a vehicle is expected, or when the lighting state of the traffic light is determined as a stop signal or a caution signal, the calculation unit 240 determines the current speed of the electric kickboard 100 and the weight of the occupant based on the determination result. The braking distance can be calculated.
  • the image processing unit 220 may recognize the road surface in the driving direction of the electric kickboard 100 from the image data received from the communication unit 210 , and then determine the state of the road surface based on the road surface recognition result.
  • the determination result for the condition of the road surface may be determined as a roadway, sidewalk, bicycle road, accident road, road under construction, unpaved road, rain road, etc.
  • the calculating unit 240 is more Based on the braking distance can be calculated. That is, the calculating unit 240 must stop the electric kickboard 100 based on the distance calculation result of the image processing unit 220, the moving direction determination result, the lighting state determination result of the traffic light, and the electric kickboard 100's own current driving direction. If it is determined that the electric kickboard 100 does, the braking distance of the electric kickboard 100 may be calculated based on the result of the determination of the current speed of the electric kickboard 100, the weight of the occupant, and the condition of the road surface.
  • the calculator 240 may calculate different braking distances for each characteristic according to the condition of the road surface according to the determination result of the condition of the road surface. For example, if the result of determining the condition of the road surface is a road or bicycle road, braking is better than on a sidewalk or unpaved road, so the braking distance is calculated shorter than that of a sidewalk or unpaved road. In this case, the braking distance may be calculated differently by reflecting the condition of the road surface, such as calculating the braking distance by 20% longer than in the case of the case. Also, the calculator 240 may calculate the braking distance in proportion to the weight of the occupant and the size of the current driving speed.
  • the electric kickboard 100 calculates a braking distance by reflecting the weight of various occupants and the weight of the occupant's belongings, thereby providing safe braking. It has the effect of deriving the distance.
  • the weight of the occupant may be measured through the weight sensor 202 and/or the torque sensor 175 as described above, but a weight value of the occupant previously input to an external device such as the occupant's smartphone may be used.
  • the control unit 250 generates a control signal for deceleration or braking based on the braking distance calculated by the operation unit 240, and then inputs it to the driving motor 171 or an electric brake to set the electric kickboard 100 to a safe position. Accidents can be prevented by stopping at
  • the calculation unit 240 and the image processing unit 220 analyze the input image data to get closer to the person or vehicle in front, but the speed of the kickboard does not decrease. In this case, a collision is expected.
  • the calculator 240 calculates a braking distance capable of avoiding collision in consideration of the current speed and the weight of the occupant and outputs it to the controller 250 , and the controller 250 generates a braking distance based on the input braking distance.
  • An accident is prevented by controlling the driving motors 160 , 170 , and 171 to decelerate or brake the vehicle so that it can be stopped inside.
  • control unit 250 may limit the maximum speed of the electric kickboard 100 according to the determination result of the road surface condition. For example, if it is determined that the road currently being driven is an accident-prone road or a road under construction, the maximum speed may be lowered by 50% compared to the case of driving on a roadway or a bicycle road to limit the speed. In addition, if it is determined that the road currently being driven is a rainy road, the maximum speed may be lowered by 30% compared to the case of driving on a road or a bicycle road to limit it.
  • the maximum speed limit ratio can be determined in advance by experimentation.
  • the alarm unit 260 may generate an alarm by visual, auditory or tactile sense when emergency braking is performed, so that the occupant recognizes that the emergency braking is required.
  • the control unit 250 may output a control signal for deceleration or braking to the driving motors 160 , 170 , and 171 , and control to generate a braking alarm to the occupant through the alarm unit 260 .
  • the braking alarm may be generated as a warning sound through the sound output module, as a warning screen through the display panel, or as vibration through a haptic module provided in the handle 121 .
  • the electric kickboard 100 may further include the AI device block diagram of FIG. 3 to perform the method proposed in the present specification. That is, the electric kickboard 100 proposed in the present specification may individually include an AI device or each component including an AI processor and memory, which will be described later.
  • FIG. 3 is a block diagram of an AI device according to an embodiment of the present invention.
  • 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 is included in the configuration of at least a part of the electronic device provided in the electric kickboard 100 and the electric kickboard 100 shown in FIG. 2 to perform at least a part of AI processing together. have.
  • the AI processing of the AI device 20 includes all operations related to the control of the electric kickboard 100 and accident prevention of the electric kickboard 100 proposed in this specification and the accident of the electric kickboard 100 through artificial intelligence learning. It can include all actions for prevention.
  • the AI device 20 may be included as some components of the image processing unit 220 , the calculation unit 240 , and the control unit 250 of FIG. 2 , or may replace them.
  • the AI device 20 may be implemented by being functionally embedded in the image processing unit 220 , the calculation unit 240 , and the control unit 250 provided in the artificial intelligence-based accident prevention control module of the electric kickboard 100 .
  • 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 with various electronic devices such as a server, a desktop PC, a notebook PC, a tablet PC, or the like, or implemented as a single chip.
  • the AI device 20 may be an artificial intelligence-based accident prevention control module of the electric kickboard 100 implemented in any one of the various electronic devices.
  • the AI processor 21 may learn the neural network using a program stored in the memory 25 .
  • the AI processor 21 may learn a neural network for recognizing device-related data.
  • the neural network for recognizing device-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 may transmit and receive data according to a connection relationship, respectively, so as to simulate a synaptic activity of a neuron in which a neuron sends and receives a signal through a synapse.
  • the neural network may include a deep learning model developed from a neural network model.
  • a plurality of network nodes can exchange data according to a convolutional connection relationship while being located in different layers.
  • neural network models include deep neural networks (DNN), convolutional deep neural networks (CNN), recurrent neural networks (RNN), Restricted Boltzmann Machine (RBM), deep trust It includes various deep learning techniques such as neural networks (DBN, deep belief networks) and deep Q-networks, and can be applied to fields such as computer vision (CV), voice recognition, natural language processing, and voice/signal processing.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • RNN Restricted Boltzmann Machine
  • DNN deep belief networks
  • deep Q-networks deep Q-networks
  • the processor performing the above-described function may be a general-purpose processor (eg, CPU), but may be an AI-only processor (eg, GPU) for artificial intelligence learning.
  • a general-purpose processor eg, CPU
  • an AI-only processor eg, GPU
  • the memory 25 may store various programs and data necessary 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), or a solid state drive (SDD).
  • the memory 25 is accessed by the AI processor 21 , and reading/writing/modification/deletion/update of data by the AI processor 21 may be performed.
  • the memory 25 may store a neural network model (eg, the deep learning model 26 ) generated through a learning algorithm for data classification/recognition according to an embodiment of the present invention.
  • 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 regarding which training data to use to determine data classification/recognition and how to classify and recognize data using the training data.
  • the data learning unit 22 may learn the deep learning model by acquiring learning data to be used for learning and applying the acquired learning 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 is manufactured as a part of a general-purpose processor (CPU) or graphics-only processor (GPU) to the AI device 20 . may be mounted.
  • the data learning unit 22 may be implemented as a software module.
  • the software module When implemented as a software module (or a program module including instructions), the software module may be stored in a computer-readable non-transitory computer readable medium. In this case, at least one software module may be provided by an operating system (Operating System) or may be provided by an application (application program).
  • an operating system Operating System
  • application program application program
  • the data learning unit 22 may include a training data acquiring unit 23 and a model learning unit 24 .
  • the training data acquisition unit 23 may acquire training data required for a neural network model for classifying and recognizing data.
  • the training data acquisition unit 23 may acquire, as training data, image data and/or sample data for transmitters on a road infrastructure to be input to the neural network model.
  • the model learning unit 24 may use the acquired training data to learn the neural network model to have a criterion for determining how to classify predetermined data.
  • the model learning unit 24 may train the neural network model through supervised learning using at least a portion of the learning data as a criterion for determination.
  • the model learning unit 24 may learn the neural network model through unsupervised learning for discovering a judgment criterion by self-learning using learning data without guidance.
  • the model learning unit 24 may train the neural network model through reinforcement learning using feedback on whether a result of situation determination according to 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 the memory of the server connected to the AI device 20 through a wired or wireless network.
  • the data learning unit 22 further includes a training data preprocessing unit (not shown) and a training data selection unit (not shown) to improve the analysis result of the recognition model or to 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 for situation determination.
  • the training data preprocessor may process the acquired data into a preset format so that the model learning unit 24 may use the acquired training data for learning for image data recognition for the transmitter.
  • the learning data selection unit may select data necessary for learning from among the learning data acquired by the learning data acquiring unit 23 or the training data preprocessed by the preprocessing unit.
  • the selected training data may be provided to the model learning unit 24 .
  • the training data selector may select only data included in the specific field as training data by recognizing a specific field among data sets collected through the network.
  • the data learning unit 22 may further include a model evaluation unit (not shown) in order to improve the analysis result of the neural network model.
  • the model evaluator 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, cause the model learning unit 22 to learn again.
  • 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, among the analysis results of the learned recognition model for the evaluation data, the number or ratio of evaluation data for which the analysis result is not accurate exceeds a preset threshold value. .
  • 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 the electric kickboard 100 .
  • the AI device 20 may be defined as an external device (smart device) or a 5G network that communicates with the electric kickboard 100 .
  • the AI device 20 may be implemented by being functionally embedded in an artificial intelligence-based accident prevention control module provided in the electric kickboard 100 .
  • the 5G network may include a server or module that performs image learning and control for accident prevention.
  • the AI device 20 may be implemented through a home server.
  • the AI device 20 shown in FIG. 3 has been described as functionally divided into the AI processor 21, the memory 25, the communication unit 27, and the like, but the above-described components are integrated into one module and the AI module Note that it may also be called
  • FIGS. 2 to 3 are not essential, so the electric kickboard 100 for preventing accidents based on artificial intelligence having more or fewer components may be implemented. These components may be implemented as hardware or software, or may be implemented through a combination of hardware and software.
  • a deep neural network is an artificial neural network (ANN) composed of several hidden layers between an input layer and an output layer. Deep neural networks can model complex non-linear relationships like general artificial neural networks.
  • each object may be expressed as a hierarchical configuration of image basic elements.
  • the additional layers may aggregate the characteristics of the gradually gathered lower layers.
  • the artificial neural network is called 'deep', and the machine learning paradigm that uses the sufficiently deep artificial neural network as a learning model is called deep learning.
  • a sufficiently deep artificial neural network used for such deep learning is collectively referred to as a deep neural network (DNN).
  • DNN deep neural network
  • data required for learning the POI data generation model may be input to the input layer of the DNN, and meaningful data that a user can use may be generated through the output layer while passing through the hidden layers.
  • an artificial neural network used for such a deep learning method is collectively referred to as a DNN, but if meaningful data can be output in a similar manner, of course, other deep learning methods may be applied.
  • the YOLO model used in the machine learning field or deep learning field is a technology that detects a semantic area in an image in real time. it's a pattern
  • the YOLO model is a supervised learning method machine learning algorithm, in which the semantic domain to be recognized and its classification information (ie, labeling) are paired to generate training data, learning model data using thousands of training data as input parameters It consists of a generation step and an object classification step of extracting a learned semantic region from an arbitrary image using the learning model data.
  • a field that uses the YOLO model As an example of a field that uses the YOLO model, it consists of a pair of vehicle images and classification information (eg, trucks, buses, passenger cars, etc.) Prepare thousands of training data, run the YOLO model machine learning function using the training data as input parameters to generate model data, and run the YOLO model classification function using the generated model data and arbitrary images as input parameters.
  • the extraction result of the semantic domain can be provided in the form of a bounding box and classification information about the bounding box.
  • the YOLO model can be used in real-time object recognition fields such as self-driving cars and person detection in images because of its high performance and accuracy and fast execution speed in the field of machine learning image recognition.
  • the target reliability of the initial detection object is specifically set for accurate detection of the semantic region, and the input image is divided into bounding boxes of a certain size.
  • the object detection process calculates the detection candidate object reliability that can be included in the boundary box for all the divided boundary boxes, and extracts the corresponding boundary box when the calculated detection candidate object reliability is greater than or equal to the initial detection target reliability. If the bounding box is not extracted through the object detection process, the size of the bounding box is adjusted and the object detection process is repeatedly executed.
  • the above-described YOLO model is applied to the image processing unit 220 of the present invention and the AI device 20 according to an embodiment of the present invention to recognize people, vehicles, traffic light states, stop lines, etc. for accident prevention. can be applied.
  • FIG. 5 is a flowchart illustrating an example of an artificial intelligence-based accident prevention method performed by an electric kickboard proposed in the present specification.
  • the artificial intelligence-based accident prevention method performed by the electric kickboard may include the following steps.
  • the communication unit 210 of the electric kickboard 100 receives the image data of the driving direction from the camera 201 (S510).
  • the image processing unit 220 processes the image data received from the communication unit 210 to recognize people, vehicles, and traffic lights located in the driving direction of the electric kickboard 100 and a stop line located under the traffic lights, , it is possible to calculate the distance to the person, the distance to the vehicle, and the distance to the stop line based on the recognition result, and determine the moving direction of the person, the moving direction of the vehicle, and the lighting state of the traffic light ( S520 ).
  • the weight measuring unit 230 measures the weight of the occupant based on at least one of the measured values of the weight sensor 202 installed on the board frame 110 and the torque sensor 175 installed on the driving motors 160 , 170 , and 171 . do (S530).
  • the calculating unit 240 calculates a braking distance based on the distance calculation result output from the image processing unit 220, the moving direction determination result, the lighting state of the traffic light, the current speed, the current driving direction, and the weight of the occupant (S540) ).
  • control unit 250 may output a control signal to the driving motors 160 , 170 , and 171 for deceleration or braking based on the braking distance calculated by the operation unit 240 ( S550 ).
  • control unit 250 controls the driving motors 160, 170, and 171 according to the control signal to decelerate or brake, thereby causing the electric kickboard 100 to collide with a person or vehicle in front and an accident due to signal violation. can be prevented (S560).
  • the artificial intelligence-based accident prevention method performed by the electric kickboard recognizes the road surface in the driving direction from the image data received by the image processing unit 220, and determines the state of the road surface based on the road surface recognition result.
  • the method may further include outputting a determination result, and calculating, by the calculator 240 , a braking distance further based on the determination result on the condition of the road surface in the driving direction.
  • the determination result for the condition of the road surface is determined as at least one of a roadway, a sidewalk, a bicycle road, an accident road, a road under construction, an unpaved road, and a rain road.
  • calculating the braking distance may include calculating the braking distance differently according to a result of determining the condition of the road surface.
  • the step of calculating the braking distance based on the distance calculation result, the moving direction determination result, the lighting state of the traffic light, the current speed, the current driving direction, and the weight of the occupant may include: Calculating a braking distance based on a result of determining the current speed, the weight of the occupant, and the road surface condition when a collision of can
  • operations S510 to S560 may be further divided into additional operations or combined into fewer operations according to an embodiment of the present invention.
  • some operations may be omitted if necessary, and the order between the operations may be switched.
  • FIG. 6 is a schematic diagram illustrating the concept of an artificial intelligence-based accident prevention method performed by the electric kickboard proposed in the present specification. If the electric kickboard 100 is predicted to collide with a person P located in front from the image data for In the case of outputting a motor control signal for stopping, FIG. 6(b) shows that when the traffic light is a stop signal from the image data for the driving direction obtained by the camera 201 of the electric kickboard 100, the electric kickboard 100 is moved forward. When it is predicted that the located stop line L will be violated, the minimum braking distance D2 that can prevent the stop line violation is calculated, and a motor control signal is output to stop before the braking distance D2 is reached. do.
  • unit eg, a control unit, etc.
  • unit may mean, for example, a unit including one or a combination of two or more of hardware, software, or firmware.
  • unit may be used interchangeably with terms such as, for example, unit, logic, logical block, component, or circuit.
  • a “part” may be a minimum unit of an integrally formed part or a part thereof.
  • a “unit” may be a minimum unit or a part of performing one or more functions. “Part” may be implemented mechanically or electronically.
  • a “unit” may be one of an Application-Specific Integrated Circuit (ASIC) chip, Field-Programmable Gate Arrays (FPGAs) or programmable-logic device that performs certain operations, known or to be developed in the future. It may include at least one.
  • ASIC Application-Specific Integrated Circuit
  • FPGAs Field-Programmable Gate Arrays
  • programmable-logic device that performs certain operations, known or to be developed in the future. It may include at least one.
  • At least a part of an apparatus (eg, modules or functions thereof) or a method (eg, operations) according to various embodiments may be implemented as instructions stored in a computer-readable storage medium in the form of, for example, a program module. have. When the instruction is executed by a processor, the one or more processors may perform a function corresponding to the instruction.
  • the computer-readable storage medium may be, for example, a memory.
  • Computer-readable storage media/computer-readable recording media include hard disks, floppy disks, magnetic media (eg, magnetic tape), and optical media (eg, compact CD-ROMs). disc read only memory), digital versatile disc (DVD), magneto-optical media (e.g., floptical disk), hardware devices (e.g., read only memory (ROM), random (RAM) access memory), or flash memory, etc.)
  • program instructions may include high-level language code that can be executed by a computer using an interpreter, etc. as well as machine code such as generated by a compiler.
  • the hardware devices described above may be configured to operate as one or more software modules to perform the operations of the various embodiments, and vice versa.
  • a module or a program module may include at least one or more of the above-described components, some may be omitted, or may further include additional other components. Operations performed by a module, a program module, or other components according to various embodiments may be executed sequentially, in parallel, iteratively, or in a heuristic manner. Also, some operations may be executed in a different order, omitted, or other operations may be added.
  • the term “a” is defined as one or more than one. Also, the use of introductory phrases such as “at least one” and “one or more” in a claim includes introductory phrases such as “at least one” and “one or more” and an obscure phrase such as “a” in the same claim. Even if there is, the introduction of another claim element by the obfuscated phrase "a” shall be construed to mean to limit any particular claim containing the claim element so introduced, to an invention containing only one such element. shouldn't be
  • any two components combined to achieve a particular functionality may be considered “related” to each other so that the desired function is achieved, regardless of structure or intervening component.
  • two components thus associated may be considered “operably connected” or “operably coupled” to each other to achieve a desired function.
  • condition X may be satisfied. This phrase also indicates that condition X may not be met.
  • a reference to a system that includes a particular component must also include a scenario in which the system does not contain the specific component.
  • a reference to a method that includes a particular action should also include a scenario in which the method does not include the particular component.
  • references to a system configured to perform a specific action should also include scenarios in which the system is not configured to perform a specific action.
  • any method may include at least the acts contained in the drawings and/or the specification, and may include only the acts contained in the drawings and/or the specification.
  • the illustrated examples may be implemented as circuitry located on a single integrated circuit or within the same device.
  • the above examples may be implemented as any number of individual integrated circuits or individual devices interconnected to each other in any suitable manner, and other variations, modifications, variations and alternatives are also possible. Accordingly, the specification and drawings are to be regarded in an illustrative rather than a restrictive sense.
  • the examples or portions thereof may be implemented as a software or code representation of a physical circuit or logical representation translatable to a physical circuit, such as any suitable type of hardware description language.
  • the present invention is not limited to physical devices or units implemented in non-programmable hardware, mainframes, minicomputers, servers, workstations, personal computers, notepads, which are generally referred to herein as 'computer systems' , personal digital assistants (PDAs), electronic games, automobiles and other embedded systems, cell phones, and various other wireless devices, such as programmable devices capable of performing desired device functions by operating in accordance with appropriate program code. Alternatively, it may be applied to units as well.
  • a system, apparatus, or device referred to in this specification includes at least one hardware component.
  • Connections as described herein may be any type of connection suitable for transmitting a signal to or from each node, unit or apparatus, for example via an intermediate apparatus.
  • a connection may be, for example, a direct connection or an indirect connection.
  • a connection may be described or depicted with reference to being a single connection, multiple connections, one-way connection, or two-way connection. However, different embodiments may change the implementation of the connection. For example, you can use a separate one-way connection rather than a two-way connection, and vice versa.
  • a plurality of connections may be replaced with a single connection that transmits a plurality of signals sequentially or in a time multiplexing manner.
  • a single connection carrying multiple signals may be split into various connections carrying subsets of these signals. Therefore, many options exist for transmitting the signal.
  • the artificial intelligence-based electric kickboard for accident prevention of the present invention has been described focusing on examples applied to the electric kickboard, but it can be applied to various products to which the device and method can be applied.

Abstract

본 발명은 사고 방지를 위한 인공지능 기반의 전동 킥보드에 관한 것으로 상기 전동 킥보드는 주행 방향을 촬영한 영상 데이터로부터 상기 주행 방향의 사람, 차량, 신호등 및 정지선을 인식하고, 상기 인식 결과에 기초하여 상기 사람, 차량 및 정지선까지의 거리를 계산하고, 상기 사람 및 차량의 이동 방향, 및 상기 신호등의 점등 상태를 판단하는 영상 처리부; 탑승자의 무게를 측정하는 무게 측정부; 상기 영상 인식에 따른 거리 계산 결과 및 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도 및 주행 방향, 및 상기 탑승자의 무게 중 적어도 하나에 기초하여 제동 거리를 산출하는 연산부; 및 상기 산출된 제동 거리에 기초하여 감속 또는 제동하는 제어부를 포함한다.

Description

인공지능 기반의 사고 방지용 전동 킥보드 및 그의 사고 방지 방법
본 명세서는 사고 방지를 위한 인공지능 기반의 전동 킥보드에 관한 것이다.
전동 킥보드란, 별도의 연료를 사용하지 않고 충전된 배터리로부터 전력을 공급받아 모터를 작동함으로써 탑승자를 이동시키는 이동수단의 일종으로서, 휴대가 가능하고 작동이 용이하다는 점에서 레저용 또는 출퇴근용으로 많이 사용되고 있다.
전동 킥보드는 조향 핸들에 의해 조향이 가능한 킥보드를 기본 형태로 제작되어 있고, 킥보드의 본체 또는 휠에 전동관련 장치를 달아서 전기의 힘으로 주행할 수 있다.
그러나, 이러한 전동 킥보드는 최고 25Km/h까지 주행 속도가 허용되지만 차량이나 자전거에 비해 상대적으로 작은 휠 크기와 좁은 면적의 휠 폭을 가지기 때문에 제동거리가 더 길고, 탑승자가 직립하여 탑승하기 때문에 높은 무게 중심으로 인해 급제동 시 안전사고가 발생할 가능성이 높아서 사회적인 문제가 되고 있다.
본 명세서에서는 전동 킥보드의 안전 사고 예방을 위한 기술에 대한 필요가 증가하고 있어 인공 지능 기반의 충돌 예측 및 제동 거리를 확보할 수 있는 전동 킥보드를 제시하고자 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 명세서는 사고 방지를 위한 인공지능 기반의 전동 킥보드를 제시한다. 상기 전동 킥보드는 제어 신호에 따라 감속 또는 제동하는 구동 모터, 카메라로부터 주행 방향을 촬영한 영상 데이터를 수신하는 통신부, 상기 수신된 영상 데이터로부터 상기 주행 방향의 사람, 차량, 신호등 및 정지선을 인식하고, 상기 인식 결과에 기초하여 상기 사람까지의 거리, 상기 차량까지의 거리 및 상기 정지선까지의 거리를 계산하고, 상기 사람의 이동 방향, 상기 차량의 이동 방향 및 상기 신호등의 점등 상태를 판단하는 영상 처리부, 보드프레임에 설치된 무게 센서 및 상기 구동 모터에 설치된 토크 센서의 측정 값 중 적어도 하나에 기초하여 탑승자의 무게를 측정하는 무게 측정부, 상기 거리 계산 결과, 상기 이동 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 상기 탑승자의 무게 중 적어도 하나에 기초하여 제동 거리를 산출하는 연산부, 및 상기 산출된 제동 거리에 기초하여 감속 또는 제동을 위한 상기 구동 모터에 대한 제어 신호를 출력하는 제어부를 포함할 수 있다.
상기 전동 킥보드 및 그 밖의 실시예는 다음과 같은 특징을 포함할 수 있다.
실시 예에 따라, 상기 영상 처리부는 상기 수신된 영상 데이터로부터 상기 주행 방향의 노면을 인식하고, 상기 노면 인식 결과에 기초하여 상기 노면의 상태를 판단하여 그 판단 결과를 출력하고, 상기 연산부는 상기 노면의 상태에 대한 판단 결과에 더 기초하여 상기 제동 거리를 산출할 수 있다.
또한, 실시 예에 따라, 상기 노면의 상태에 대한 판단 결과는 차도, 인도, 자전거도로, 사고 발생 도로, 공사 중 도로, 비포장 도로, 및 빗길 중 적어도 하나로 결정되고, 상기 연산부는 상기 노면의 상태에 대한 판단 결과에 따라 상기 제동 거리를 상이하게 산출할 수 있다.
또한, 실시 예에 따라, 상기 연산부는 상기 사람 또는 상기 차량과의 충돌이 예상되거나, 상기 신호등의 점등 상태가 정지 신호 또는 주의 신호로 판단되면, 상기 현재 속도, 상기 탑승자의 무게 및 상기 노면의 상태에 대한 판단 결과에 기초하여 제동 거리를 산출할 수 있다.
또한, 실시 예에 따라, 상기 카메라는 외부 기기에 포함되고, 상기 통신부는 상기 외부 기기로부터 상기 영상 데이터를 수신할 수 있다.
또한, 실시 예에 따라, 상기 전동 킥보드는 제동 알람을 발생하는 알람부를 더 포함하고, 상기 제어부는 상기 구동 모터에 대한 제어 신호를 출력하는 동시에 상기 알람부를 통해 상기 탑승자에게 상기 제동 알람을 발생할 수 있다.
한편, 본 명세서는 전동 킥보드에 의하여 수행되는 인공지능 기반의 사고 방지 방법을 제시한다. 상기 인공지능 기반의 사고 방지 방법은 카메라로부터 주행 방향을 촬영한 영상 데이터를 수신하는 단계, 상기 수신된 영상 데이터로부터 상기 주행 방향의 사람, 차량, 신호등 및 정지선을 인식하고, 상기 인식 결과에 기초하여 상기 사람까지의 거리, 상기 차량까지의 거리 및 상기 정지선까지의 거리를 계산하고, 상기 사람의 이동 방향, 상기 차량의 이동 방향 및 상기 신호등의 점등 상태를 판단하는 단계, 보드프레임에 설치된 무게 센서 및 상기 구동 모터에 설치된 토크 센서의 측정 값 중 적어도 하나에 기초하여 탑승자의 무게를 측정하는 단계, 상기 거리 계산 결과, 상기 이동 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 상기 탑승자의 무게 중 적어도 하나에 기초하여 제동 거리를 산출하는 단계, 상기 산출된 제동 거리에 기초하여 감속 또는 제동을 위한 상기 구동 모터에 대한 제어 신호를 출력하는 단계, 및 상기 제어 신호에 따라 구동 모터를 제어하여 감속 또는 제동하는 단계를 포함할 수 있다.
상기 방법 및 그 밖의 실시예는 다음과 같은 특징을 포함할 수 있다.
실시 예에 따라, 상기 방법은 수신된 영상 데이터로부터 상기 주행 방향의 노면을 인식하고, 상기 노면 인식 결과에 기초하여 상기 노면의 상태를 판단하여 그 판단 결과를 출력하는 단계, 및 상기 노면의 상태에 대한 판단 결과에 더 기초하여 상기 제동 거리를 산출하는 단계를 더 포함할 수 있다.
또한, 실시 예에 따라, 상기 노면의 상태에 대한 판단 결과는 차도, 인도, 자전거도로, 사고 발생 도로, 공사 중 도로, 비포장 도로, 및 빗길 중 적어도 하나로 결정되고, 상기 노면의 상태에 대한 판단 결과에 더 기초하여 상기 제동 거리를 산출하는 단계는, 상기 노면의 상태에 대한 판단 결과에 따라 상기 제동 거리를 상이하게 산출하는 단계를 포함할 수 있다.
또한, 실시 예에 따라, 상기 거리 계산 결과, 상기 이동 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 상기 탑승자의 무게에 기초하여 제동 거리를 산출하는 단계는, 상기 사람 또는 상기 차량과의 충돌이 예상되거나, 상기 신호등의 점등 상태가 정지 신호 또는 주의 신호로 판단되면, 상기 현재 속도, 상기 탑승자의 무게 및 상기 노면의 상태에 대한 판단 결과에 기초하여 제동 거리를 산출하는 단계를 포함할 수 있다.
본 명세서에 개시된 실시 예에 따른 인공지능 기반의 사고 방지용 전동 킥보드는 진행 방향을 촬영한 영상을 인공지능으로 분석하여 충돌 및 신호 위반의 위험이 예상되면 자동으로 감속하거나 정지하게 함으로써 안전 사고를 방지할 수 있는 효과가 있다.
또한, 본 명세서에 개시된 실시 예에 따른 인공지능 기반의 사고 방지용 전동 킥보드는 주행 도로의 노면 상태 및 탑승자의 무게에 기초하여 감속하거나 정지하도록 제어함으로써 안전하게 제동 거리를 확보할 수 있는 효과가 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명을 실시하기 위한 구체적인 내용과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시 예에 따른 인공지능 기반의 사고 방지용 전동 킥보드를 도시한다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 기반의 사고 방지용 전동 킥보드를 도시한다.
도 3은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 4는 본 발명이 적용될 수 있는 DNN 모델의 예시이다.
도 5는 본 명세서에서 제안하는 전동 킥보드에 의하여 수행되는 인공 지능 기반의 사고 방지 방법의 일례를 나타낸 순서도이다.
도 6은 본 명세서에서 제안하는 전동 킥보드에 의하여 수행되는 인공 지능 기반의 사고 방지 방법의 개념을 도시한 모식도이다.
본 명세서에 개시된 기술은 전동 킥보드의 사고 방지 기술에 적용될 수 있다. 그러나 본 명세서에 개시된 기술은 이에 한정되지 않고, 상기 기술의 기술적 사상이 적용될 수 있는 모든 장치 및 방법에도 적용될 수 있다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 명세서에 개시된 기술의 사상을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 명세서에 개시된 기술이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 명세서에 개시된 기술의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 본 명세서에 개시된 기술이 속하는 분야에서 통상의 지식을 가진 자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 명세서에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥 상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예들을 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 명세서에 개시된 기술을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 기술의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 기술의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 그 기술의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
이하에서는 첨부의 도 1을 참조하여 본 발명의 일 실시 예에 따른 인공지능 기반의 사고 방지용 전동 킥보드의 구조에 대해서 설명한다.
도 1 내지 도2는 본 발명의 일 실시 예에 따른 인공지능 기반의 사고 방지용 전동 킥보드를 도시한다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 전동 킥보드(100)는 구조적으로는 보드프레임(110), 조향부(120), 접힘부(130), 제1 및 제2 휠(140, 150), 제1 및 제2 모터(160, 170) 및 배터리(도시하지 않음)를 포함하여 구성될 수 있다.
보드프레임(110)은 그 상면에 사용자의 발이 놓여지도록 하고, 이를 위해 상부에 평면의 발판을 제공하는 구조를 가질 수 있다.
조향부(120)는 보드프레임(110)의 진행 방향을 전환하도록 전동 킥보드(100)의 전측에 마련되고, 조향부(120)에는 전동 킥보드(100) 전체의 동작을 제어하기 위한 조작부(123)가 마련될 수 있다. 조향부(120)는 일례로, 사용자의 파지를 위한 바(bar) 형태의 핸들(121)과, 핸들(121)이 상단에 결합되고, 접힘부(130)에 의해 보드프레임(110)의 전측에 수직이 되게 세워지거나, 보드프레임(110)에 나란하도록 접히게 되는 조향포스트(122)를 포함할 수 있다. 조작부(123)는 예컨대 핸들(121)이나 조향포스트(122)에 설치되어 제1 및 제2 모터(160, 170) 각각에 대한 구동 및 정지, 회전 속도 조절, 그리고 주행 속도 범위의 설정 및 브레이크의 동작을 위하여, 버튼, 스위치 또는 레버 등을 포함할 수 있다. 여기서 브레이크는 도시하지 않았으나, 제1 및 제2 휠(140, 150)을 기계적으로 또는 전기적으로 회전 제한하는 장치가 적용될 수 있다. 또한 조작부(123)에 의해 브레이크 동작 시, 후술하는 제어부(250)에 의해 제1 및 제2 모터(160, 170)가 정지되도록 구성될 수 있다.
접힘부(130)는 보드프레임(110)과 조향부(120)가 서로 접혀져서 탑승자(사용자)가 운반 또는 휴대하기 용이하도록 마련되는데, 본 실시 예에서처럼 조향포스트(122)에 일단이 수직을 이루는 축을 중심으로 베어링 등을 매개로 하여 회전 가능하게 결합될 수 있고, 보드프레임(110)에 타단이 수평을 이루는 축을 중심으로 회전 가능하게 힌지 결합되는 구조를 가질 수 있고, 접힘과 펼쳐짐 상태를 제한하도록, 수작업 내지 스프링 등의 탄성력에 의해 동작하는 걸림편이나 후크부재 또는 체결편 등을 포함하는 잠금부(도시하지 않음)가 마련될 수 있다. 또한, 접힘부(130)는 전동 킥보드(100)에 따라 구비되지 않아 전동 킥보드가 접히지 않을 수도 있다.
제1 및 제2 휠(140, 150)은 조향부(120)의 하단, 구체적으로는 조향포스트(122)의 하단(즉, 보드프레임(110)의 저면 전측)과 보드프레임(110)의 저면 후측에 회전 가능하도록 각각 설치된다. 제1 및 제2 모터(160, 170)는 제1 및 제2 휠(140, 150) 각각을 회전시키도록 마련되는데, 예컨대 제1 및 제2 휠(140, 150) 각각에 내장되는 모터 또는 인 휠 모터(In Wheel Motor)로 이루어질 수 있다.
배터리(도시하지 않음)는 제1 및 제2 모터(160, 170)의 동작에 필요한 전원을 공급하는데, 예컨대 보드프레임(110)에 내장되거나, 보드프레임(110)이나 조향포스트(122) 등에 착탈 가능하게 설치될 수 있다. 한편, 배터리를 외부 전원으로 충전하기 위한 충전회로부가 보드프레임(110), 조작부(123) 등에 마련될 수 있다.
도 1 내지 도2를 참조하면, 제어부(250)는 조작부(123)의 조작신호에 따라 제1 및 제2 모터(160, 170) 각각을 제어한다. 따라서, 조작부(123)가 제1 및 제2 모터(160, 170) 중 어느 하나 모두의 구동 및 정지, 회전속도 조절 그리고 주행속도 범위를 조절 내지 설정하면, 제어부(250)는 조작부(123)의 조작신호에 따라 제1 및 제2 모터(160, 170) 각각의 구동 및 회전 속도를 각각 조절하고, 정해진 범위의 주행 속도를 유지하도록 제1 및 제2 모터(160, 170)를 제어하는 제어 신호를 발생할 수 있다.
조향부(120)의 핸들(121) 또는 조향포스트(122)에는 디스플레이(도시하지 않음)가 마련될 수 있다. 디스플레이는 이동 거리, 속도, 배터리의 잔량, 지도 상의 현재 위치 등의 정보를 출력하도록 제어부(250)에 의해 제어될 수 있다. 여기서 제어부(250)는 제1 및 제2 모터(160, 170)의 회전 속도 및 GPS 신호에 의한 실시간 위치 추적을 통해 이동 거리 및 속도를 측정하고, 배터리의 잔량을 측정하며, 저장부(270)에 저장된 지도데이터와 GPS 모듈(도시하지 않음)에 의해 지도상의 현재 위치를 산출할 수 있다. 제어부(250)는 일례로 스텝 모터, 서보 모터 등으로 이루어지는 제1 및 제2 모터(160, 170)를 제어 신호를 통해 그 회전 속도를 제어하거나, 다른 예로서 일반 모터 또는 BLDC 모터로 이루어지는 제1 및 제2 모터(160, 170)의 회전각을 측정하는 엔코더 등의 회전속도 측정부(도시하지 않음)로부터 측정되는 값을 통해서 모터의 회전속도를 제어할 수 있다. 본 발명에 따른 전동 킥보드(100)는 실시 예에 따라 전측 휠 및 후측 휠 모두에 모터를 구비할 수도 있고, 둘 중에 하나의 휠에만 모터가 구비될 수도 있다.
전술한 디스플레이는 전동 킥보드(100)에서 처리되는 정보를 표시(출력)할 수 있다. 디스플레이부는 액정 디스플레이(LCD; Liquid Crystal display), 박막 트랜지스터 액정 디스플레이(TFT LCD; Thin Film Transistor-Liquid Crystal Display), 유기 발광 다이오드(OLED; Organic Light-Emitting Diode), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display) 중에서 적어도 하나를 포함할 수 있다.
다시, 도 1 내지 도2를 참조하면, 본 발명의 실시 예에 따른 인공 지능 기반의 사고 방지용 전동 킥보드는 통신부(210), 영상 처리부(220), 무게 측정부(230), 연산부(240), 제어부(250), 알람부(260), 및 저장부(270)를 포함할 수 있다.
통신부(210)는 카메라(201)로부터 주행 방향을 촬영한 영상 데이터를 수신할 수 있다. 카메라(201)는 조향부(120)에 직접 연결되는 형태로 마련되어 촬영한 영상 데이터를 통신부(210)를 통해서 영상 처리부(220)로 전송할 수 있다. 다른 실시 예로, 통신부(210)는 외부 기기(예컨대, 탑승자가 소유한 스마트폰 등 카메라와 무선 데이터 전송 기능을 가지는 스마트 기기)로부터 외부 기기에 구비된 카메라로 촬영한 영상 데이터를 외부 기기의 무선 데이터 전송부를 통해서 수신할 수 있다. 통신부(210)는 카메라(201)로부터 전송되는 영상 데이터를 유선 또는 무선 전송 수단을 통해서 수신할 수 있다. 또한, 통신부(210)는 구비된 네트워크를 통해서 탑승자의 스마트 기기에 접속하고 스마트 기기를 통해서 외부 네트워크로 연결할 수 있다.
본 명세서에서 개시되는 네트워크는 예를 들어, 무선 네트워크, 유선 네트워크, 인터넷과 같은 공용 네트워크, 사설 네트워크, 모바일 통신 네트워크용 광역 시스템(Global System for Mobile communication network; GSM) 네트워크, 범용 패킷 무선 네트워크(General Packet Radio Network; GPRN), 근거리 네트워크(Local Area Network; LAN), 광역 네트워크(Wide Area Network; WAN), 거대도시 네트워크(Metropolitan Area Network; MAN), 셀룰러 네트워크, 공중 전화 교환 네트워크(Public Switched Telephone Network; PSTN), 개인 네트워크(Personal Area Network), 블루투스, Wi-Fi 다이렉트(Wi-Fi Direct), 근거리장 통신(Near Field communication), 초 광 대역(Ultra-Wide band), 이들의 조합, 또는 임의의 다른 네트워크일 수 있지만 이들로 한정되는 것은 아니다.
영상 처리부(220)는 통신부(210)를 통해 수신된 영상 데이터로부터 전동 킥보드(100)의 주행 방향에 위치하고 있는 사람과 차량, 신호등 및 그 신호등 아래의 정지선을 인식할 수 있다. 또한, 영상 처리부(220)는 영상 데이터에서 인식한 객체들(사람과 차량, 신호등 및 정지선을 포함 등)에 대한 인식 결과에 기초하여 그 객체까지의 거리와 그 객체의 이동 방향을 판단하거나 그 객체의 상태를 판단할 수 있다. 예를 들어, 영상 처리부(220)는 인식된 객체가 사람이면 전동 킥보드(100)로부터 사람까지의 거리 및 그 사람의 이동 방향을 계산 및 판단하고, 인식된 객체가 차량이면 전동 킥보드(100)로부터 차량까지의 거리 및 그 차량의 이동 방향을 계산 및 판단하고, 및 인식된 객체가 신호등의 정지선이면 전동 킥보드(100)로부터 정지선까지의 거리를 계산하고 및 신호등의 점등 상태를 판단할 수 있다. 영상 처리부(220)가 판단하는 신호등의 점등 상태는 주행 신호, 주의 신호, 일단 멈춤 신호, 정지 신호 등을 포함하여 교통신호등이 표시하는 모든 지시 상태를 포함할 수 있다.
무게 측정부(130)는 보드프레임(110)의 상면에 설치된 무게 센서(202) 및 구동 모터(160, 170, 171)에 설치된 토크 센서(175)의 측정 값 중 적어도 하나에 기초하여 탑승자의 무게를 측정할 수 있다. 탑승자의 무게에는 탑승자의 몸무게 뿐만 아니라 백팩 등 소지품의 무게도 포함된다.
연산부(240)는 영상 처리부(220)의 거리 계산 결과, 이동 방향 판단 결과 및 신호등의 점등 상태 판단 결과, 전동 킥보드(100) 자신의 현재 속도 및 현재 주행 방향, 및 탑승자의 무게에 기초하여 전동 킥보드(100)를 정지시켜야 한다고 판단되면 필요한 제동 거리를 산출할 수 있다. 즉, 연산부(240)는 사람 또는 차량과의 충돌이 예상되거나, 신호등의 점등 상태가 정지 신호 또는 주의 신호로 판단되면, 전동 킥보드(100)의 현재 속도와 탑승자의 무게에 대한 판단 결과에 기초하여 제동 거리를 산출할 수 있다.
한편, 영상 처리부(220)는 통신부(210)로부터 수신된 영상 데이터로부터 전동 킥보드(100) 자신의 주행 방향의 노면을 인식한 뒤, 노면 인식 결과에 기초하여 노면의 상태를 판단할 수 있다. 노면의 상태에 대한 판단 결과는 차도, 인도, 자전거 도로, 사고 발생 도로, 공사 중 도로, 비포장 도로, 빗길 등으로 결정될 수 있으며, 이 때, 연산부(240)는 노면의 상태에 대한 판단 결과에 더 기초하여 제동 거리를 산출할 수 있다. 즉, 연산부(240)는 영상 처리부(220)의 거리 계산 결과, 이동 방향 판단 결과, 신호등의 점등 상태 판단 결과 및 전동 킥보드(100) 자신의 현재 주행 방향에 기초하여 전동 킥보드(100)를 정지시켜야 한다고 판단되면, 전동 킥보드(100) 자신의 현재 속도, 탑승자의 무게 및 노면의 상태에 대한 판단 결과에 기초하여 전동 킥보드(100)의 제동 거리를 산출할 수 있다.
연산부(240)는 노면의 상태에 대한 판단 결과에 따라 노면의 상태에 따른 특징 별로 제동 거리를 상이하게 산출할 수 있다. 예를 들어, 노면의 상태 판단 결과가 차도나 자전거 도로일 경우, 인도나 비포장 도로보다 제동이 잘 되므로, 인도나 비포장 도로 보다 제동 거리를 짧게 산출하고, 빗길로 판단될 경우에는 차도나 자전거 도로일 경우 보다 제동 거리를 20% 길게 산출하는 등 노면의 상태를 반영하여 제동 거리를 상이하게 산출할 수 있다. 또한, 연산부(240)는 탑승자의 무게와 현재 주행 속도의 크기에 비례해서 제동 거리를 산출할 수 있다. 전동 킥보드(100)가 사용될 때의 무게는 탑승자에 따라 수시로 달라지므로 본 발명의 실시 예에 따른 전동 킥보드(100)는 다양한 탑승자의 몸무게 및 탑승자의 소지품의 무게를 반영하여 제동 거리를 산출함으로써 안전한 제동 거리를 도출할 수 있는 효과가 있다. 탑승자의 무게는 전술한 바와 같이 무게 센서(202) 및/또는 토크 센서(175)를 통해서 측정할 수 있지만, 전술한 탑승자의 스마트폰 등 외부 기기에 미리 입력된 탑승자의 체중 값을 활용할 수도 있다.
제어부(250)는 연산부(240)에서 산출된 제동 거리에 기초하여 감속 또는 제동을 위한 제어 신호를 생성한 뒤, 구동 모터(171)나 전동방식의 브레이크로 입력하여 전동 킥보드(100)를 안전한 위치에서 정지시킴으로써 사고를 방지할 수 있다.
예를 들어, 전동 킥보드(100)가 어떤 속도로 주행하고 있는 상태에서 연산부(240)는 영상 처리부(220)는 입력되는 영상 데이터를 분석하여 전방의 사람 또는 차량과 가까워지지만 킥보드의 속도가 줄어들지 않는 경우에는 충돌을 예상한다. 이어서, 연산부(240)는 현재의 속도와 탑승자의 무게를 고려하여 충돌을 회피할 수 있는 제동 거리를 산출하여 제어부(250)로 출력하고, 제어부(250)는 입력된 제동 거리에 기초하여 제동 거리 안에서 정지할 수 있도록 구동 모터(160, 170, 171)를 제어하여 감속 또는 제동을 함으로서 사고를 방지한다.
다른 실시 예로, 제어부(250)는 상기 노면의 상태에 대한 판단 결과에 따라 전동 킥보드(100)의 최고 속도를 제한할 수 있다. 예를 들어, 현재 주행 중인 도로가 사고 발생 도로나 공사 중 도로인 것으로 판단할 경우, 차도나 자전거 도로를 주행하는 경우 보다 최고 속도를 50% 하향하여 제한할 수 있다. 또한, 현재 주행 중인 도로가 빗길인 것으로 판단할 경우, 차도나 자전거 도로를 주행하는 경우 보다 최고 속도를 30% 하향하여 제한할 수 있다. 최고 속도 제한 비율은 실험에 의해 미리 결정될 수 있다.
알람부(260)는 긴급 제동 시, 시각, 청각 또는 촉각으로 알람을 발생하여 탑승자에게 긴급하게 제동해야 하는 상황임을 인지시킬 수 있다. 이 때, 제어부(250)는 구동 모터(160, 170, 171)에 대한 감속 또는 제동을 위한 제어 신호를 출력하는 동시에 알람부(260)를 통해 탑승자에게 제동 알람을 발생하도록 제어할 수 있다. 제동 알람은 음향 출력 모듈을 통한 경고 음으로 발생될 수도 있고, 디스플레이 패널을 통해서 경고 화면으로도 발생될 수도 있으며, 핸들(121)에 구비된 햅틱 모듈을 통한 진동으로 발생될 수도 있다.
또한, 도 2에 도시된 블록도 이외 상기 전동 킥보드(100)는 도 3의 AI 장치 블록도를 추가로 포함하여 본 명세서에서 제안하는 방법을 수행할 수 있다. 즉, 본 명세서에서 제안하는 전동 킥보드(100)는 후술할 AI 프로세서, 메모리 등을 포함하는 AI 장치나 각 구성 요소를 개별적으로 포함할 수 있다.
도 3은 본 발명의 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 2에 도시된 전동 킥보드(100) 및 전동 킥보드(100)에 구비된 전자기기의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 장치(20)의 AI 프로세싱은, 본 명세서에 제안하는 전동 킥보드(100)의 제어 및 전동 킥보드(100)의 사고 방지와 관련된 모든 동작들 및 인공지능 학습을 통한 전동 킥보드(100)의 사고 방지를 위한 모든 동작들을 포함할 수 있다. 상기 AI 장치(20)는 도 2의 영상 처리부(220), 연산부(240), 및 제어부(250)의 일부 구성요소로 포함되거나 이들을 대체할 수 있다. 상기 AI 장치(20)는 전동 킥보드(100)의 인공 지능 기반의 사고 방지 제어 모듈 내에 구비된 영상 처리부(220), 연산부(240), 및 제어부(250)에 기능적으로 임베딩되어 구현될 수도 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 구현되거나, 하나의 칩으로 구현될 수 있다. 본 명세서에서 상기 AI 장치(20)는 상기 다양한 전자 장치 중 어느 하나의 형태로 구현된 전동 킥보드(100)의 인공 지능 기반의 사고 방지 제어 모듈일 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 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 neural networks), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥러닝 기법들을 포함하며, 컴퓨터비젼(CV), 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 발명의 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 운영체제(Operating System)에 의해 제공되거나, 애플리케이션(응용 프로그램)에 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 도로 인프라 상의 송신부들에 대한 영상 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 올바른 지에 대한 피드백을 이용한 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 송신부에 대한 영상 데이터 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, 네트워크를 통해 수집한 데이터 셋 중 특정 필드를 인식함으로써, 특정 필드에 포함된 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 설정된 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 전동 킥보드(100)로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 전동 킥보드(100)와 통신하는 외부 기기(스마트 디바이스) 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 전동 킥보드(100) 내에 구비된 인공 지능 기반의 사고 방지 제어 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 사고 방지를 위한 영상 학습 및 제어를 수행하는 서버 또는 모듈을 포함할 수 있다. 또한, AI 장치(20)는 홈 서버를 통해 구현될 수도 있다.
한편, 도 3에 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 밝혀 둔다.
도 2 내지 도 3에 도시된 구성요소들은 필수적인 것은 아니어서, 그 보다 많은 구성요소들을 갖거나, 그보다 적은 구성요소들을 갖는 인공 지능 기반의 사고 방지용 전동 킥보드(100)가 구현될 수도 있다. 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합을 통해서 구현될 수 있다.
도 4는 본 발명이 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 발명에서 DNN의 입력층에 POI 데이터 생성 모델을 학습시키기 위해 요구되는 데이터들이 입력될 수 있고, 이들은 은닉층들을 거치면서, 사용자가 사용할 수 있는 의미 있는 데이터가 출력층을 통해 생성될 수 있다.
본 발명의 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.
이하에서는 본 명세서에서 제안하는 방법이 적용될 수 있는 YOLO(You Only Look Once) 모델의 예시를 설명한다.
기계 학습 분야 혹은 딥러닝 분야에서 사용되는 YOLO 모델은 실시간으로 영상 내의 의미 영역을 검출하는 기술로서, 의미 영역은 임의의 영상 내에 포함될 수 있는 사람의 얼굴, 자동차, 나무, 안경 등과 같은 객체에 대한 영상 패턴이다. YOLO 모델은 지도 학습(supervised learning) 방식 기계 학습 알고리즘으로 인식할 의미 영역과 이에 대한 분류 정보(즉, 레이블링)를 쌍으로 학습 데이터를 생성하는 단계, 수천 이상의 학습 데이터를 입력 파라미터로 하는 학습 모델 데이터 생성 단계, 그리고 학습 모델 데이터를 이용하여 임의의 영상에서 학습된 의미 영역을 추출하는 객체 분류 단계로 구성된다.
YOLO 모델을 활용하는 분야의 예로, 디지털 카메라를 이용하여 도로 상에 주행 중인 임의 차량의 종류를 구분하기 위해서 차량 이미지와 차량 이미지에 대한 분류 정보(예: 트럭, 버스, 승용차 등)의 쌍으로 이루어진 수천 건 이상의 학습 데이터를 준비하고, 학습 데이터를 입력 파라미터로 한 YOLO 모델 기계 학습 기능을 실행하여 모델 데이터를 생성하며, 생성된 모델 데이터와 임의의 이미지를 입력 파라미터로 YOLO 모델의 분류 기능을 실행하면 의미 영역의 추출 결과를 경계 상자(bounding box)와 경계 상자에 대한 분류 정보 형태로 제공할 수 있다. YOLO 모델은 기계 학습 영상 인식 분야에서 성능 및 정확도가 높고 수행 속도가 빠르기 때문에 자율주행 자동차, 영상 내 인물 탐지 등 실시간 사물 인지 분야 등에 사용할 수 있다.
YOLO 모델의 객체 분류 단계에서는 구체적으로 의미 영역의 정확한 검출을 위한 초기 검출 객체의 목표 신뢰도를 설정하며, 입력 영상을 일정 크기의 경계 상자 단위로 분할한다. 객체 검출 과정은 분할된 모든 경계 상자에 대하여 경계 상자 내부에 포함될 수 있는 검출 후보 객체 신뢰도를 계산하며, 계산된 검출 후보 객체 신뢰도가 초기 검출 목표 신뢰도 이상일 경우 해당 경계 상자를 추출한다. 객체 검출 과정을 통해서 경계 상자가 추출되지 않을 경우 경계 상자의 크기를 조정하고 반복적으로 객체 검출 과정을 실행한다.
따라서, 전술한 YOLO 모델은 본 발명의 영상 처리부(220) 및 본 발명의 일 실시예에 따른 AI 장치(20)에 적용되어 사고 방지를 위한 사람, 차량, 신호등 상태, 정지선 등을 인식하는 데에 적용될 수 있다.
도 5는 본 명세서에서 제안하는 전동 킥보드에 의하여 수행되는 인공 지능 기반의 사고 방지 방법의 일례를 나타낸 순서도이다.
도 2 및 5를 참조하면, 전동 킥보드에 의하여 수행되는 인공 지능 기반의 사고 방지 방법은 다음의 단계들을 포함하여 구성될 수 있다.
먼저, 전동 킥보드(100)의 통신부(210)는 카메라(201)로부터 주행 방향을 촬영한 영상 데이터를 수신한다(S510).
다음으로, 영상 처리부(220)는 상기 통신부(210)로부터 수신된 영상 데이터를 프로세싱하여 전동 킥보드(100)의 주행 방향에 위치하고 있는 사람, 차량, 신호등과 그 신호등 아래에 위치한 정지선을 인식할 수 있으며, 상기 인식 결과에 기초하여 사람까지의 거리, 차량까지의 거리 및 정지선까지의 거리를 계산하고, 사람의 이동 방향, 차량의 이동 방향 및 신호등의 점등 상태를 판단할 수 있다(S520).
무게 측정부(230)는 보드프레임(110)에 설치된 무게 센서(202) 및 구동 모터(160, 170, 171)에 설치된 토크 센서(175)의 측정 값 중 적어도 하나에 기초하여 탑승자의 무게를 측정한다(S530).
다음으로, 연산부(240)는 영상 처리부(220)에서 출력된 거리 계산 결과, 이동 방향 판단 결과, 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 탑승자의 무게에 기초하여 제동 거리를 산출한다(S540).
다음으로, 제어부(250)는 연산부(240)에서 산출된 제동 거리에 기초하여 감속 또는 제동을 위한 구동 모터(160, 170, 171)에 대한 제어 신호를 출력할 수 있다(S550).
마지막으로, 제어부(250)는 상기 제어 신호에 따라 구동 모터(160, 170, 171)를 제어하여 감속 또는 제동하도록 함으로써 전동 킥보드(100)이 전방의 사람, 차량과의 충돌 및 신호 위반으로 인한 사고를 방지할 수 있다(S560).
또한, 전동 킥보드에 의하여 수행되는 인공 지능 기반의 사고 방지 방법은 영상 처리부(220)가 수신된 영상 데이터로부터 주행 방향의 노면을 인식하고, 상기 노면 인식 결과에 기초하여 상기 노면의 상태를 판단하여 그 판단 결과를 출력하는 단계, 및 연산부(240)가 주행 방향의 노면의 상태에 대한 판단 결과에 더 기초하여 제동 거리를 산출하는 단계를 더 포함할 수 있다.
한편, 상기 노면의 상태에 대한 판단 결과는 차도, 인도, 자전거도로, 사고 발생 도로, 공사 중 도로, 비포장 도로, 및 빗길 중 적어도 하나로 결정되며, 이 때, 노면의 상태에 대한 판단 결과에 더 기초하여 제동 거리를 산출하는 단계는 노면의 상태에 대한 판단 결과에 따라 제동 거리를 서로 다르게 산출하는 단계를 포함할 수 있다.
또한, 상기 방법에서 상기 거리 계산 결과, 상기 이동 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 상기 탑승자의 무게에 기초하여 제동 거리를 산출하는 단계는, 상기 사람 또는 상기 차량과의 충돌이 예상되거나, 상기 신호등의 점등 상태가 정지 신호 또는 주의 신호로 판단되면, 상기 현재 속도, 상기 탑승자의 무게 및 상기 노면의 상태에 대한 판단 결과에 기초하여 제동 거리를 산출하는 단계를 포함할 수 있다.
상술한 설명에서, 동작들(S510 내지 S560)은 본 발명의 구현예에 따라서, 추가적인 동작들로 더 분할되거나, 더 적은 동작들로 조합될 수 있다. 또한, 일부 동작은 필요에 따라 생략될 수도 있고, 동작 간의 순서가 전환될 수도 있다.
도 6은 본 명세서에서 제안하는 전동 킥보드에 의하여 수행되는 인공 지능 기반의 사고 방지 방법의 개념을 도시한 모식도로서, 도 6(a)는 전동 킥보드(100)가 카메라(201)에서 취득한 주행 방향에 대한 영상 데이터로부터 전동 킥보드(100)가 전방에 위치한 사람(P)과 충돌할 것이 예측되는 경우, 충돌을 방지할 수 있는 최소의 제동 거리(D1)를 연산하여, 제동 거리(D1)에 이르기 전에 정지시키기 위한 모터 제어 신호 출력하는 경우이고, 도 6(b)는 전동 킥보드(100)가 카메라(201)에서 취득한 주행 방향에 대한 영상 데이터로부터 신호등이 정지 신호일 때, 전동 킥보드(100)가 전방에 위치한 정지선(L)을 침범할 것이 예측되는 경우, 정지선 침범을 방지할 수 있는 최소의 제동 거리(D2)를 연산하여, 제동 거리(D2)에 이르기 전에 정지시키기 위한 모터 제어 신호 출력하는 경우를 도시한다.
본 명세서에서 사용된 용어 "부"는(예를 들면, 제어부 등), 예를 들어, 하드웨어, 소프트웨어 또는 펌웨어(firmware) 중 하나 또는 둘 이상의 조합을 포함하는 단위(unit)를 의미할 수 있다. "부"는, 예를 들어, 유닛(unit), 로직(logic), 논리블록(logical block), 부품(component), 또는 회로(circuit) 등의 용어와 바꾸어 사용(interchangeably use)될 수 있다. "부"는, 일체로 구성된 부품의 최소 단위 또는 그 일부가 될 수 있다. "부"는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수도 있다. "부"는 기계적으로 또는 전자적으로 구현될 수 있다. 예를 들어, "부"는, 알려졌거나 앞으로 개발될, 어떤 동작들을 수행하는 ASIC(Application-Specific Integrated Circuit) 칩, FPGAs(Field-Programmable Gate Arrays) 또는 프로그램 가능 논리 장치(programmable-logic device) 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는, 예컨대, 프로그램 모듈의 형태로 컴퓨터로 읽을 수 있는 저장매체에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서에 의해 실행될 경우, 상기 하나 이상의 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다. 컴퓨터로 읽을 수 있는 저장매체는, 예를 들어, 메모리가 될 수 있다.
컴퓨터로 읽을 수 있는 저장매체/컴퓨터로 판독 가능한 기록 매체는, 하드디스크, 플로피디스크, 마그네틱 매체(magnetic media)(예: 자기테이프), 광기록 매체(optical media)(예: CD-ROM(compact disc read only memory), DVD(digital versatile disc), 자기-광 매체(magneto-optical media)(예: 플롭티컬 디스크(floptical disk)), 하드웨어 장치(예: ROM(read only memory), RAM(random access memory), 또는 플래시 메모리 등) 등을 포함할 수 있다. 또한, 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 다양한 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지다.
다양한 실시예에 따른 모듈 또는 프로그램 모듈은 전술된 구성요소들 중 적어도 하나 이상을 포함하거나, 일부가 생략되거나, 또는 추가적인 다른 구성요소를 더 포함할 수 있다. 다양한 실시예에 따른 모듈, 프로그램 모듈 또는 다른 구성요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱(heuristic)한 방법으로 실행될 수 있다. 또한, 일부 동작은 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
본 명세서에 사용된 용어 "하나"는 하나 또는 하나 이상으로 정의된다. 또한, 청구 범위에서 "적어도 하나" 및 "하나 이상"과 같은 도입 문구를 사용하는 것은, 동일한 청구항에 "적어도 하나" 및 "하나 이상"과 같은 도입 문구 및 "하나" 같은 불명료한 문구가 포함되어 있는 경우라 할지라도, 불명료한 문구 "하나"에 의한 다른 청구항 요소의 도입이 그러한 요소를 하나만을 포함하는 발명에 대해 그렇게 도입된 청구항 요소를 포함하는 임의의 특정 청구항을 제한한다는 것을 의미하는 것으로 해석되어서는 안된다.
달리 명시하지 않는 한, "제1" 및 "제2"와 같은 용어는 그러한 용어가 설명하는 요소들을 임의로 구별하는 데 사용된다. 따라서, 이들 용어는 그러한 요소들의 시간적 또는 다른 우선 순위를 나타내도록 반드시 의도된 것은 아니며, 특정 수단이 서로 다른 청구항들에 열거되어 있다는 단순한 사실만으로 이러한 수단들의 조합이 유리하게 사용될 수 없다는 것을 나타내는 것은 아니다. 따라서, 이들 용어는 그러한 요소의 시간적 또는 다른 우선 순위를 나타내도록 반드시 의도되지는 않는다. 특정 조치가 서로 다른 주장에 인용되었다는 단순한 사실만으로 이러한 조치의 조합이 유용하게 사용될 수 없다는 것을 나타내지는 않는다.
또한, 상세한 설명 및 청구 범위에서의 "앞", "뒤", "전", "후", "꼭대기", "상부", "밑", "바닥", "위에", "아래" 등의 용어는 설명을 목적으로 사용되었지만 영구적인 상대적 위치를 설명하는 데 반드시 사용되는 것은 아니다. 그렇게 사용되는 용어는 본 명세서에 기술된 본 발명의 실시예가 예를 들어 여기에 도시되거나 달리 설명된 것 외의 다른 방향으로 작동할 수 있도록 적절한 환경 하에서 상호 교환 가능하다는 것으로 이해된다.
도시의 단순성 및 명료성을 위해, 도면들에 도시된 요소들(요소)은 반드시 일정한 비율로 그려진 것은 아니라는 것으로 이해될 것이다. 예를 들어, 일부 요소들의 치수는 명확성을 위해 다른 요소들에 비해 과장될 수 있다. 또한, 적절한 것으로 고려되는 경우, 참조 번호들은 대응되거나 유사한 요소들을 나타내기 위해 도면들 사이에서 반복될 수 있다.
동일한 기능을 달성하기 위한 구성 요소의 배열은 효과적으로 "관련"되어 원하는 기능이 달성된다. 따라서, 특정 기능성을 달성하기 위해 결합된 임의의 2 개의 구성 요소는 구조 또는 중개하는 구성 요소와 관계없이 원하는 기능이 달성되도록 서로 "관련"되는 것으로 간주될 수 있다. 마찬가지로 이와 같이 연관된 두 개의 구성 요소는 원하는 기능을 달성하기 위해 서로 "작동 가능하게 연결"되거나 "작동 가능하게 결합된" 것으로 간주될 수 있다.
또한, 통상의 기술자는 전술한 동작들의 기능성 사이의 경계가 단지 예시적인 것임을 인식할 것이다. 복수의 동작들은 단일 동작으로 결합될 수 있고, 단일 동작은 추가 동작들로 분산될 수 있으며, 동작들은 시간적으로 적어도 부분적으로 겹쳐서 실행될 수 있다. 또한, 대안적인 실시예들은 특정 동작에 대한 복수의 인스턴스들을 포함할 수 있고, 동작들의 순서는 다양한 다른 실시예에서 변경될 수 있다. 그러나, 다른 수정, 변형 및 대안이 또한 가능하다. 따라서, 상세한 설명 및 도면은 제한적인 의미가 아니라 예시적인 것으로 간주되어야 한다.
"X일 수 있다"는 문구는 조건 X가 충족될 수 있음을 나타낸다. 이 문구는 또한 조건 X가 충족되지 않을 수도 있음을 나타낸다. 예를 들어, 특정 구성 요소를 포함하는 시스템에 대한 참조는 시스템이 특정 구성 요소를 포함하지 않는 시나리오도 포함해야 한다. 예를 들어, 특정 동작을 포함하는 방법에 대한 참조는 해당 방법이 특정 구성 요소를 포함하지 않는 시나리오도 포함해야 한다. 그러나 또 다른 예를 들면, 특정 동작을 수행하도록 구성된 시스템에 대한 참조는 시스템이 특정 작업을 수행하도록 구성되지 않은 시나리오도 포함해야 한다.
용어 "포함하는", "갖는", "구성된", "이루어진" 및 "본질적으로 이루어진"은 상호 교환적으로 사용된다. 예를 들어, 임의의 방법은 적어도 도면 및/또는 명세서에 포함된 동작을 포함할 수 있으며, 도면 및/또는 명세서에 포함된 동작만을 포함할 수 있다.
통상의 기술자는 논리 블록들 사이의 경계가 단지 예시적인 것이며, 대안적인 실시 예들이 논리 블록들 또는 회로 소자들을 병합하거나 또는 다양한 논리 블록들 또는 회로 소자들 상에 기능의 대체적인 분해를 부과할 수 있음을 인식할 것이다. 따라서, 여기에 도시된 아키텍처는 단지 예시적인 것이며, 사실 동일한 기능을 달성하는 많은 다른 아키텍처가 구현될 수 있다는 것으로 이해되어야 한다.
또한, 예를 들어, 일 실시예에서, 도시된 예들은 단일 집적 회로 상에 또는 동일한 장치 내에 위치된 회로로서 구현될 수 있다. 대안적으로, 상기 예들은 임의의 수의 개별적인 집적 회로들 또는 적합한 방식으로 서로 상호 접속된 개별 장치들로서 구현될 수 있으며, 다른 변경, 수정, 변형 및 대안들이 또한 가능하다. 따라서, 명세서 및 도면은 제한적인 의미가 아니라 예시적인 것으로 간주되어야 한다.
또한, 예를 들어, 상기 예들 또는 그 일부는, 임의의 적절한 유형의 하드웨어 기술 언어와 같은, 물리적 회로 또는 물리적 회로로 변환 가능한 논리적 표현의 소프트웨어 또는 코드 표현으로서 구현될 수 있다.
또한, 본 발명은 비 프로그래머블 하드웨어로 구현된 물리적 장치 또는 유닛으로 제한되지 않지만, 일반적으로 본원에서는 '컴퓨터 시스템'으로 표시되는 메인 프레임, 미니 컴퓨터, 서버, 워크스테이션, 개인용 컴퓨터, 노트패드(notepad), 개인용 디지털 정보 단말기(PDA), 전자 게임(electronic games), 자동차 및 기타 임베디드 시스템, 휴대전화 및 다양한 다른 무선 장치 등과 같은, 적절한 프로그램 코드에 따라 동작함으로써 원하는 장치 기능을 수행할 수 있는 프로그램 가능한 장치 또는 유닛에도 적용될 수 있다.
이 명세서에 언급된 시스템, 장치 또는 디바이스는 적어도 하나의 하드웨어 구성 요소를 포함한다.
본 명세서에 설명된 바와 같은 연결들은 예를 들어 중간 장치를 통해 각각의 노드, 유닛 또는 장치로부터 또는 각각의 노드, 유닛 또는 장치로 신호를 전송하기에 적합한 임의의 유형의 연결일 수 있다. 따라서, 묵시적으로 또는 달리 언급되지 않는 한, 연결은 예를 들어 직접 연결 또는 간접 연결일 수 있다. 연결은 단일 연결, 다수의 연결, 단방향 연결 또는 양방향 연결이라는 것을 참조하여 설명되거나 묘사될 수 있다. 그러나, 서로 다른 실시 예들은 연결의 구현을 변화시킬 수 있다. 예를 들어 양방향 연결이 아닌 별도의 단방향 연결을 사용할 수 있으며 그 반대의 경우도 가능할 수 있다. 또한, 다수의 연결은 복수의 신호를 순차적으로 또는 시간 다중화 방식으로 전송하는 단일 연결로 대체될 수 있다. 마찬가지로, 복수의 신호를 전송하는 단일 연결은 이러한 신호의 서브 세트를 전송하는 다양한 연결로 분리될 수 있다. 따라서 신호를 전송하기 위한 많은 옵션들이 존재한다.
통상의 기술자는 논리 블록들 사이의 경계가 단지 예시적인 것이며, 대안적인 실시 예들이 논리 블록들 또는 회로 소자들을 병합하거나 또는 다양한 논리 블록들 또는 회로 소자들 상에 기능의 대체적인 분해를 부과할 수 있음을 인식할 것이다. 따라서, 여기에 도시된 아키텍처는 단지 예시적인 것이며, 사실 동일한 기능을 달성하는 많은 다른 아키텍처가 구현될 수 있다는 것으로 이해되어야 한다.
이상에서 본 명세서의 기술에 대한 바람직한 실시 예가 첨부된 도면들을 참조하여 설명되었다. 여기서, 본 명세서 및 청구 범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다. 본 발명의 범위는 본 명세서에 개시된 실시 예들로 한정되지 아니하고, 본 발명은 본 발명의 사상 및 특허청구범위에 기재된 범주 내에서 다양한 형태로 수정, 변경, 또는 개선될 수 있다.
본 발명의 사고 방지를 위한 인공지능 기반의 전동 킥보드는 전동 킥보드에 적용되는 예를 중심으로 설명하였으나, 이외에도 해당 장치 및 방법이 적용될 수 있는 다양한 제품에 적용하는 것이 가능하다.

Claims (10)

  1. 제어 신호에 따라 감속 또는 제동하는 구동 모터;
    카메라로부터 주행 방향을 촬영한 영상 데이터를 수신하는 통신부;
    상기 수신된 영상 데이터로부터 상기 주행 방향의 사람, 차량, 신호등 및 정지선을 인식하고, 상기 인식 결과에 기초하여 상기 사람까지의 거리, 상기 차량까지의 거리 및 상기 정지선까지의 거리를 계산하고, 상기 사람의 이동 방향, 상기 차량의 이동 방향 및 상기 신호등의 점등 상태를 판단하는 영상 처리부;
    보드프레임에 설치된 무게 센서 및 상기 구동 모터에 설치된 토크 센서의 측정 값 중 적어도 하나에 기초하여 탑승자의 무게를 측정하는 무게 측정부;
    상기 거리 계산 결과, 상기 이동 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 상기 탑승자의 무게 중 적어도 하나에 기초하여 제동 거리를 산출하는 연산부; 및
    상기 산출된 제동 거리에 기초하여 감속 또는 제동을 위한 상기 구동 모터에 대한 제어 신호를 출력하는 제어부
    를 포함하는 것을 특징으로 하는 인공지능 기반의 사고 방지용 전동 킥보드.
  2. 제1 항에 있어서,
    상기 영상 처리부는
    상기 수신된 영상 데이터로부터 상기 주행 방향의 노면을 인식하고, 상기 노면 인식 결과에 기초하여 상기 노면의 상태를 판단하여 그 판단 결과를 출력하고,
    상기 연산부는
    상기 노면의 상태에 대한 판단 결과에 더 기초하여 상기 제동 거리를 산출하는
    인공지능 기반의 사고 방지용 전동 킥보드.
  3. 제2 항에 있어서,
    상기 노면의 상태에 대한 판단 결과는
    차도, 인도, 자전거도로, 사고 발생 도로, 공사 중 도로, 비포장 도로, 및 빗길 중 적어도 하나로 결정되고,
    상기 연산부는
    상기 노면의 상태에 대한 판단 결과에 따라 상기 제동 거리를 상이하게 산출하는
    인공지능 기반의 사고 방지용 전동 킥보드.
  4. 제3 항에 있어서, 상기 연산부는
    상기 사람 또는 상기 차량과의 충돌이 예상되거나, 상기 신호등의 점등 상태가 정지 신호 또는 주의 신호로 판단되면, 상기 현재 속도, 상기 탑승자의 무게 및 상기 노면의 상태에 대한 판단 결과에 기초하여 제동 거리를 산출하는
    인공지능 기반의 사고 방지용 전동 킥보드.
  5. 제1 항에 있어서,
    상기 카메라는 외부 기기에 포함되고,
    상기 통신부는 상기 외부 기기로부터 상기 영상 데이터를 수신하는
    인공지능 기반의 사고 방지용 전동 킥보드.
  6. 제1 항에 있어서,
    제동 알람을 발생하는 알람부를 더 포함하고,
    상기 제어부는 상기 구동 모터에 대한 제어 신호를 출력하는 동시에 상기 알람부를 통해 상기 탑승자에게 상기 제동 알람을 발생하는
    인공지능 기반의 사고 방지용 전동 킥보드.
  7. 전동 킥보드에 의하여 수행되는 인공지능 기반의 사고 방지 방법에 있어서,
    카메라로부터 주행 방향을 촬영한 영상 데이터를 수신하는 단계;
    상기 수신된 영상 데이터로부터 상기 주행 방향의 사람, 차량, 신호등 및 정지선을 인식하고, 상기 인식 결과에 기초하여 상기 사람까지의 거리, 상기 차량까지의 거리 및 상기 정지선까지의 거리를 계산하고, 상기 사람의 이동 방향, 상기 차량의 이동 방향 및 상기 신호등의 점등 상태를 판단하는 단계;
    보드프레임에 설치된 무게 센서 및 상기 구동 모터에 설치된 토크 센서의 측정 값 중 적어도 하나에 기초하여 탑승자의 무게를 측정하는 단계;
    상기 거리 계산 결과, 상기 이동 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 상기 탑승자의 무게 중 적어도 하나에 기초하여 제동 거리를 산출하는 단계;
    상기 산출된 제동 거리에 기초하여 감속 또는 제동을 위한 상기 구동 모터에 대한 제어 신호를 출력하는 단계; 및
    상기 제어 신호에 따라 구동 모터를 제어하여 감속 또는 제동하는 단계를 포함하는 것을 특징으로 하는 사고 방지 방법.
  8. 제7 항에 있어서,
    상기 수신된 영상 데이터로부터 상기 주행 방향의 노면을 인식하고, 상기 노면 인식 결과에 기초하여 상기 노면의 상태를 판단하여 그 판단 결과를 출력하는 단계; 및
    상기 노면의 상태에 대한 판단 결과에 더 기초하여 상기 제동 거리를 산출하는 단계를 더 포함하는 사고 방지 방법.
  9. 제8 항에 있어서,
    상기 노면의 상태에 대한 판단 결과는
    차도, 인도, 자전거도로, 사고 발생 도로, 공사 중 도로, 비포장 도로, 및 빗길 중 적어도 하나로 결정되고,
    상기 노면의 상태에 대한 판단 결과에 더 기초하여 상기 제동 거리를 산출하는 단계는,
    상기 노면의 상태에 대한 판단 결과에 따라 상기 제동 거리를 상이하게 산출하는 단계를 포함하는 사고 방지 방법.
  10. 제9 항에 있어서,
    상기 거리 계산 결과, 상기 이동 방향 판단 결과, 상기 신호등의 점등 상태, 현재 속도, 현재 주행 방향 및 상기 탑승자의 무게에 기초하여 제동 거리를 산출하는 단계는,
    상기 사람 또는 상기 차량과의 충돌이 예상되거나, 상기 신호등의 점등 상태가 정지 신호 또는 주의 신호로 판단되면, 상기 현재 속도, 상기 탑승자의 무게 및 상기 노면의 상태에 대한 판단 결과에 기초하여 제동 거리를 산출하는 단계를 포함하는 사고 방지 방법.
PCT/KR2020/018400 2020-12-14 2020-12-16 인공지능 기반의 사고 방지용 전동 킥보드 및 그의 사고 방지 방법 WO2022131393A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0174792 2020-12-14
KR1020200174792A KR102271321B1 (ko) 2020-12-14 2020-12-14 인공지능 기반의 사고 방지용 전동 킥보드 및 그의 사고 방지 방법

Publications (1)

Publication Number Publication Date
WO2022131393A1 true WO2022131393A1 (ko) 2022-06-23

Family

ID=76860039

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/018400 WO2022131393A1 (ko) 2020-12-14 2020-12-16 인공지능 기반의 사고 방지용 전동 킥보드 및 그의 사고 방지 방법

Country Status (2)

Country Link
KR (1) KR102271321B1 (ko)
WO (1) WO2022131393A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT202100018089A1 (it) * 2021-07-09 2023-01-09 To Tem S R L Monopattino elettrico provvisto di sistema anti-collisione e relativo metodo di controllo
KR102541776B1 (ko) * 2021-11-11 2023-06-14 한라대학교 산학협력단 자율 주행이 가능한 전동 킥보드
KR102607080B1 (ko) * 2022-04-25 2023-11-29 충남대학교산학협력단 지능형 헬멧 장치 및 이의 동작 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180070141A (ko) * 2016-12-16 2018-06-26 현대자동차주식회사 전동식 퍼스널 모빌리티 차량
KR101988395B1 (ko) * 2018-11-28 2019-09-30 주식회사 블루휠스 스마트폰과 통신이 가능한 전동 킥보드
KR20200085964A (ko) * 2019-01-07 2020-07-16 주식회사 블루휠스 전동 킥보드
KR102141299B1 (ko) * 2019-02-26 2020-08-04 한국해양대학교 산학협력단 스마트 모빌리티 사고위험 감지 시스템
KR20200109009A (ko) * 2019-03-12 2020-09-22 이원석 전동킥보드 정원 초과 탑승 방지를 위한 자동 제동 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101693408B1 (ko) 2014-12-31 2017-01-05 동명대학교산학협력단 접이식 전동 킥보드
KR101939093B1 (ko) * 2018-03-29 2019-04-11 주식회사 블루휠스 전동 킥보드
KR20200101544A (ko) * 2019-02-19 2020-08-28 이원석 퍼스널 모빌리티 속도 제어 시스템
KR102138785B1 (ko) * 2019-09-11 2020-07-28 주식회사 굴리 주행 품질 지수를 산출하기 위한 방법 및 이를 위한 서버

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180070141A (ko) * 2016-12-16 2018-06-26 현대자동차주식회사 전동식 퍼스널 모빌리티 차량
KR101988395B1 (ko) * 2018-11-28 2019-09-30 주식회사 블루휠스 스마트폰과 통신이 가능한 전동 킥보드
KR20200085964A (ko) * 2019-01-07 2020-07-16 주식회사 블루휠스 전동 킥보드
KR102141299B1 (ko) * 2019-02-26 2020-08-04 한국해양대학교 산학협력단 스마트 모빌리티 사고위험 감지 시스템
KR20200109009A (ko) * 2019-03-12 2020-09-22 이원석 전동킥보드 정원 초과 탑승 방지를 위한 자동 제동 시스템

Also Published As

Publication number Publication date
KR102271321B1 (ko) 2021-07-01

Similar Documents

Publication Publication Date Title
WO2022131393A1 (ko) 인공지능 기반의 사고 방지용 전동 킥보드 및 그의 사고 방지 방법
US11861458B2 (en) Systems and methods for detecting and recording anomalous vehicle events
KR102267331B1 (ko) 자율 주행 차량과 이를 이용한 보행자 안내 시스템 및 방법
CN108334073A (zh) 使用制动灯保持自动驾驶车辆与跟随车辆之间的距离的方法
CN108068815A (zh) 用于自动驾驶车辆的基于规划反馈的决策改进系统
WO2019195187A1 (en) Feature-based prediction
CN108859938A (zh) 用于自动驾驶车辆的自动车辆应急灯控制的方法和系统
JP2019504373A (ja) 車両の周囲の状況に基づいて車両の一つ又は複数の軌跡を予測する方法とシステム
JP2021534501A (ja) 道路セグメント類似性判定
CN110088816A (zh) 电子设备及操作电子设备的方法
US11460857B1 (en) Object or person attribute characterization
US10919464B2 (en) Supercapacitor power buffer for vehicle power system
Garg et al. VividhaVahana: smartphone based vehicle classification and its applications in developing region
TWI774034B (zh) 基於車聯網的行車示警方法、系統及設備
WO2022017307A1 (zh) 自动驾驶场景生成方法、装置及系统
CN114787894A (zh) 感知误差模型
US20230182754A1 (en) Determining an anomalous event from a scenario and an action of interest
US20230192077A1 (en) Adjustment of object trajectory uncertainty by an autonomous vehicle
Tsu-Tian Research on intelligent transportation systems in Taiwan
US20230194697A1 (en) Continuous radar calibration check
US20230192092A1 (en) Interaction Auto-Labeling Using Spatial Overlap of Track Footprints For Mining Interactions
US20230194692A1 (en) Radar tracking association with velocity matching by leveraging kinematics priors
Menendez et al. Detecting and Predicting Smart Car Collisions in Hybrid Environments from Sensor Data
US20230202489A1 (en) Configuration management system for autonomous vehicle software stack
US20230204738A1 (en) Emulation of a lidar sensor using historical data collected by a lidar having different intrinsic attributes

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: 20966047

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 19/10/2023)