KR102228559B1

KR102228559B1 - 운전자 피로 감지 방법 및 시스템

Info

Publication number: KR102228559B1
Application number: KR1020140137643A
Authority: KR
Inventors: 이창목
Original assignee: 현대모비스 주식회사
Priority date: 2014-10-13
Filing date: 2014-10-13
Publication date: 2021-03-16
Also published as: KR20160043361A

Abstract

본 발명은 운전자 피로 감지 방법 및 시스템에 관한 것으로, 더욱 상세하게는, 네비게이션 맵을 이용하여 곡선 구간을 감지하고, 가우시안 혼합 모델(GMM : Gaussian Mixture Model)을 이용하여 학습데이터 및 판별데이터로부터 제 1 분산 데이터집단과 제 2 분산 데이터집단을 생성한 후 상기 학습된 차량 데이터와 테스트 데이터의 마하라노비스 거리(Mahalanobis Distance)를 연산하여 상기 마하라노비스 거리가 임계값 이상인 경우 피로 감지 경보를 생성하는 운전자 피로 감지 방법 및 시스템에 관한 것이다.
본 발명에 의한 운전자 피로 감지 방법의 일 실시 예는, 차량의 속도가 소정의 속도 이상인지 판단하는 속도 판단단계; 상기 차량의 속도가 소정의 속도 이상인 경우 네비게이션부를 이용하여 상기 차량이 곡선 구간을 주행하는지 판단하는 곡선 주행 판단단계; 상기 차량이 곡선 구간을 주행하는 경우 상기 곡선 구간이 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터 저장이 완료된 구간인지 판단하는 학습데이터 수집완료구간 판단단계; 상기 곡선 구간이 상기 학습데이터 저장이 완료된 구간인 경우 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터를 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집하는 판별데이터 수집단계; 기저장된 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터로부터 가우시안 혼합모델을 이용하여 제 1 분산 데이터집단(A)을, 상기 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집된 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터로부터 가우시안 혼합 모델을 이용하여 제 2 분산 데이터집단(B)을 생성하고, 상기 제 1 분산 데이터집단과 제 2 분산 데이터집단(B)의 마하라노비스 거리(Mahalanobis Distance)를 연산하는 마하라노비스 거리 연산단계; 및 상기 연산된 마하라노비스 거리가 임계값 이상인 경우 피로 감지 경보를 생성하는 경보생성단계; 를 포함할 수 있다.
본 발명에 의한 운전자 피로 감지 시스템의 일 실시 예는, 차량의 곡선 구간 주행 정보를 감지하는 네비게이션부; 상기 차량의 속도 정보를 감지하는 엔진 제어부; 상기 차량의 스티어링 휠 각도 정보를 감지하는 스티어링 휠 각도 측정부; 턴 시그널 정보를 감지하는 클러스터부; 및 상기 곡선 구간 주행 정보를 이용하여 상기 차량이 곡선 도로를 주행하는지 여부를 판단하고, 가우시안 혼합 모델을 이용하여 상기 속도 정보, 스티어링 휠 각도 정보 및 턴 시그널 정보로부터 차속 평균 및 스티어링 휠 각도 움직임에 대한 2개 이상의 분산 데이터집단을 생성한 후, 상기 분산 데이터집단 사이의 마하라노비스 거리를 연산하여 운전자의 피로 감지 정보를 생성하는 제어부; 를 포함할 수 있다.

Description

운전자 피로 감지 방법 및 시스템{METHOD AND SYSTEM FOR SEINSING FATIGUE STATE OF DRIVER}

본 발명은 운전자 피로 감지 방법 및 시스템에 관한 것으로, 더욱 상세하게는, 네비게이션 맵을 이용하여 곡선 구간을 감지하고, 가우시안 혼합 모델(GMM : Gaussian Mixture Model)을 이용하여 학습데이터 및 판별데이터로부터 제 1 분산 데이터집단과 제 2 분산 데이터집단을 생성한 후 상기 학습된 차량 데이터와 테스트 데이터의 마하라노비스 거리(Mahalanobis Distance)를 연산하여 상기 마하라노비스 거리가 임계값 이상인 경우 피로 감지 경보를 생성하는 운전자 피로 감지 방법 및 시스템에 관한 것이다.

차량을 운전하는 운전자는 피로가 오게 됨에 따라 움직임이 정적으로 변하게 되고 졸음운전을 하는 순간 고속인 상태로 대형사고를 일으킬 수 있다. 상기 정적인 움직임은 직선 도로구간에선 일반 주행과 큰 차이를 발생시키지 않지만, 커브구간에서 대형 교통 사고를 일으킬 수 있으므로, 상기 커브 구간에서 운전자의 움직임을 감지해야할 필요가 있다.

운전자의 의식 상태를 판단하는 기술은, 운전자의 주행 패턴이 일반적인 주행 패턴과 다른 경우 운전자가 졸음 등과 같은 부주의한 상태에 있다고 판단하여 경고신호를 보내는 기술이다.

도 1 은 종래 기술에 의한 운전자 피로 감지 방법을 보인 흐름도도(EP 2704124 A1)이고, 도 2 는 종래 기술에 의한 운전자 피로 감지 시스템을 보인 흐름도(US 8593288 B1)이다.

도 1 내지 도 2 를 참조하면, 종래 기술인 US 8593288 B1 에 따르면, 차량의 운행 특정을 저장하고 상기 운행 특성이 기저장된 운행 기준에 만족하는지 않는 경우 운전자가 부주의 상태에 있다고 판단하여 신호를 발생하고 스티어링 휠을 각도를 보정하였다. 여기서, 상기 기준에는 스티어링 휠 각도 변화의 빈도, 크기 또는 카메라를 이용한 차선 거리 변화 등이다. 그러나, 상기 종래 기술(US 8593288 B1)은 기저장된 운행 기준이 현재 차량을 운행하는 운전자에게 적합하지 않을 수 있으며, 스티어링 휠 각도 변화의 빈도 및 크기 등을 연산하기 위하여 복잡한 연산이 수행되어야 한다는 문제점이 있다. 뿐만 아니라 운행중인 차량의 차선 변경을 감시할 수 있는 고가의 영상장치도 필요하다는 문제점이 있다.

또한, 종래 기술인 EP 2704124 A1 에 따르면, 엑셀 개도 센서, 차량 앞 부분에 설치되는 레이저 조사장치, 주변 차량의 가속도를 검출하는 가속도 센서 등을 이용하여 주변 차량과의 접근도에 상응하는 운전자의 가속 조작 상태를 검출하여 운전자의 의식 저하 여부를 판단하였다. 그러나 상기 종래 기술(EP 2704124 A1)은 주변 차량이 없는 경우 운전자의 의식 저하 여부를 판단하기 곤란하다는 문제점이 있을 수 있다. 또한, 레이져 조사장치, 주변 차량의 가속도를 검출하는 가속도 센서 등 고가의 장치가 필요하다는 문제점이 있다.

따라서, 주변 차량의 존재 여부와 상관없이 복잡하지 아니한 연산을 수행하고 고가의 장치를 추가적으로 설치할 필요없이 운전자의 피로 상태 감지하는 기술이 필요하다.

US 8593288 B1 EP 2704124 A1

본 발명은 상기와 같은 문제점을 해소하기 위하여 제안된 것으로, 고가의 장치를 설치하지 아니하고 기존 장치를 이용하여 운전자의 피로 상태를 보다 정확하게 감지하여 경고를 생성하는 운전자 피로 감지 방법 및 시스템을 제공하는데 그 목적이 있다.

상기 목적을 달성하기 위하여, 본 발명에 의한 운전자 피로 감지 방법의 일 실시 예는, 차량의 속도가 소정의 속도 이상인지 판단하는 속도 판단단계; 상기 차량의 속도가 소정의 속도 이상인 경우 네비게이션부를 이용하여 상기 차량이 곡선 구간을 주행하는지 판단하는 곡선 주행 판단단계; 상기 차량이 곡선 구간을 주행하는 경우 상기 곡선 구간이 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터 저장이 완료된 구간인지 판단하는 학습데이터 수집완료구간 판단단계; 상기 곡선 구간이 상기 학습데이터 저장이 완료된 구간인 경우 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터를 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집하는 판별데이터 수집단계; 기저장된 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터로부터 가우시안 혼합모델을 이용하여 제 1 분산 데이터집단(A)을, 상기 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집된 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터로부터 가우시안 혼합 모델을 이용하여 제 2 분산 데이터집단(B)을 생성하고, 상기 제 1 분산 데이터집단과 제 2 분산 데이터집단(B)의 마하라노비스 거리(Mahalanobis Distance)를 연산하는 마하라노비스 거리 연산단계; 및 상기 연산된 마하라노비스 거리가 임계값 이상인 경우 피로 감지 경보를 생성하는 경보생성단계; 를 포함할 수 있다.

이때, 상기 속도 판단단계에서, 상기 차량의 속도가 소정의 속도 이상이 아닌 경우 상기 속도 판단단계를 다시 수행하는 것을 특징으로 할 수 있다.

또한, 상기 곡선 주행 판단단계에서, 상기 차량이 곡선 구간을 주행하지 아니하는 경우 상기 속도 판단단계를 다시 수행하는 것을 특징으로 할 수 있다.

또한, 상기 곡선 주행 판단단계에서는, 상기 네비게이션부로부터 직선 구간과 곡선 구간을 구분하는 정보를 전송받아 상기 차량이 곡선 구간을 주행하는지 판단하는 것을 특징으로 할 수 있다.

또한, 상기 학습데이터 수집완료구간 판단단계에서, 상기 곡선 구간이 상기 학습데이터 저장이 완료된 구간이 아닌 경우 상기 곡선 구간에서 소정의 시간 단위(N)로 소정의 횟수(M)만큼 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터를 수집하는 학습데이터 수집단계를 수행하는 것을 특징으로 할 수 있다.

여기서, 상기 학습데이터 수집단계는, 상기 곡선 구간에서 소정의 시간 단위(N)로 상기 차량의 차속과 스티어링 휠 각도를 수집하는 데이터 수집단계; 턴 시그널 정보를 감지하는 턴 시그널 감지단계; 상기 턴 시그널 정보가 감지되지 않는 경우 상기 차량이 차선을 변경하는지 감지하는 차선 변경 감지단계; 상기 차량이 차선을 변경하지 않는 경우 상기 수집된 데이터 중 상기 스티어링 휠 각도 변화 폭이 소정의 값 이상인 데이터를 삭제하는 데이터 필터링단계;상기 삭제되지 않은 데이터를 저장하는 데이터 저장단계; 상기 삭제되지 않은 데이터가 소정의 개수 이상인지 판단하는 데이터 누적단계; 및상기 삭제되지 않은 데이터가 소정의 개수 이상인 경우 상기 소정의 개수 이상인 데이터로부터 상기 소정의 시간 단위(N)로 소정의 횟수(M)만큼 차속 평균(Sa1)과 스티어링 휠 각도 움직임의 분산(Nv1) 데이터를 연산하여 저장하는 학습데이터 연산단계; 를 포함할 수 있다.

이때, 상기 턴 시그널 감지단계에서, 상기 턴 시그널 정보가 감지되는 경우 일정 딜레이 시간만큼 데이터를 삭제하는 데이터 삭제단계를 수행하는 것을 특징으로 할 수 있으며, 상기 턴 시그널 정보는 클러스터부로부터 획득하는 것을 특징으로 할 수 있다.

그리고, 상기 차선 변경 감지단계는, 소정의 시간 내에 스티어링 휠 각도가 양의 값에서 음의 값으로 변경되거나 또는 음의 값에서 양의 값으로 변경되는지 감지하는 스티어링 휠 각도 감지단계; 및 상기 소정의 시간 내의 상기 스티어링 휠 각도의 변화를 적분하여 상기 적분값이 0 을 기준으로 소정의 범위 이내인 경우 상기 차량이 차선을 변경하는 것으로 판단하는 차선 변경 판단단계; 를 포함할 수 있다.

그리고, 상기 데이터 누적단계에서, 상기 삭제되지 않은 데이터가 소정의 개수 이상이 아닌 경우 상기 데이터 수집단계를 다시 수행하는 것을 특징으로 할 수 있다.

그리고, 상기 차선 변경 감지단계에서, 상기 차량이 차선을 변경하는 경우 상기 수집된 데이터에서 상기 소정의 시간 단위(N)로 수집한 데이터를 삭제하는 데이터 삭제단계를 수행한 후 상기 데이터 수집단계를 다시 수행하는 것을 특징으로 할 수 있다.

또한, 상기 학습데이터 수집완료구간 판단단계에서는, 상기 기저장된 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터와, 상기 소정의 시간 단위(N)로 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터를 비교하여, 상기 두 데이터가 소정의 오차 범위 이내인 경우 상기 곡선 구간을 학습데이터 수집완료구간으로 판단하는 것을 특징으로 할 수 있다.

또한, 상기 마하라노비스 거리 연산단계에서, 상기 제 1 분산 데이터집단과 제 2 분산 데이터집단의 마하라노비스 거리(D)는 다음 식,

에 의해 산출되는 것을 특징으로 할 수 있다.

여기서, 상기 마하라노비스 메트릭스(C)는 다음 식,

에 의해 산출되는 것을 특징으로 할 수 있다.

또한, 상기 운전자 피로감지단계에서, 상기 연산된 마하라노비스 거리가 임계값 이상이 아닌 경우 상기 속도 판단단계를 다시 수행하는 것을 특징으로 할 수 있다.

본 발명에 의한 운전자 피로 감지 시스템의 일 실시 예는, 차량의 곡선 구간 주행 정보를 감지하는 네비게이션부; 상기 차량의 속도 정보를 감지하는 엔진 제어부; 상기 차량의 스티어링 휠 각도 정보를 감지하는 스티어링 휠 각도 측정부; 턴 시그널 정보를 감지하는 클러스터부; 및 상기 곡선 구간 주행 정보를 이용하여 상기 차량이 곡선 도로를 주행하는지 여부를 판단하고, 가우시안 혼합 모델을 이용하여 상기 속도 정보, 스티어링 휠 각도 정보 및 턴 시그널 정보로부터 차속 평균 및 스티어링 휠 각도 움직임에 대한 2개 이상의 분산 데이터집단을 생성한 후, 상기 분산 데이터집단 사이의 마하라노비스 거리를 연산하여 운전자의 피로 감지 정보를 생성하는 제어부; 를 포함할 수 있다.

이때, 상기 네비게이션부는 상기 생성된 피로 감지 정보를 전송받아 피로 감지 경보를 발생시키는 것을 특징으로 할 수 있다.

또한, 기 클러스터부는 상기 생성된 피로 감지 정보를 전송받아 피로 감지 경보를 발생시키는 것을 특징으로 할 수 있다.

본 발명에 의한 운전자 피로 감지 방법 및 시스템에 의하면, 차량에 기설치된 장치를 이용하여 운전자의 피로 상태를 보다 정확하게 감지하여 운전자에게 피로 감지 경고를 발생시킬 수 있다.

도 1 은 종래 기술에 의한 운전자 피로 감지 방법을 보인 흐름도.
도 2 는 종래 기술에 의한 운전자 피로 감지 시스템을 보인 흐름도.
도 3 은 본 발명에 의한 운전자 피로 감지 방법을 보인 흐름도.
도 4 는 본 발명에 의한 운전자 피로 감지 방법 중 학습데이터 수집단계(S400)를 보인 흐름도.
도 5 는 본 발명에 의한 운전자 피로 감지 방법 중 마하라노비스 거리 연산단계에 이용되는 가우시안 혼합 모델을 보인 다이어그램(변수가 3 개인 경우).
도 6 은 본 발명에 의한 운전자 피로 감지 방법 중 마하라노비스 거리 연산단계에 이용되는 마하라노비스 거리의 예를 보인 다이어그램.
도 7 은 본 발명에 의한 운전자 피로 감지 방법 중 차선 변경 감지단계에 이용되는 스티어링 휠 각도 변화를 보인 다이어그램.
도 8 은 본 발명에 의한 운전자 피로 감지 시스템을 보인 블록도.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위하여 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 명세서에 개시된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적이거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 첨부된 도면은 본 명세서에 개시된 기술의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 그 기술의 사상이 제한되는 것은 아니며, 본 명세서에 개시된 기술의 사상 및 기술 범위에 포함되는 모든 변경·균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

이하에서는, 첨부된 도면을 참조하여 본 발명에 의한 운전자 피로 감지 방법의 일 실시 예를 보다 상세하게 설명한다.

도 3 은 본 발명에 의한 운전자 피로 감지 방법을 보인 흐름도이고, 도 4 는 본 발명에 의한 운전자 피로 감지 방법 중 학습데이터 수집단계(S400)를 보인 흐름도이다. 또한, 도 5 는 본 발명에 의한 운전자 피로 감지 방법 중 마하라노비스 거리 연산단계에 이용되는 가우시안 혼합 모델을 보인 다이어그램(변수가 3 개인 경우)이고, 도 6 은 본 발명에 의한 운전자 피로 감지 방법 중 마하라노비스 거리 연산단계에 이용되는 마하라노비스 거리의 예를 보인 다이어그램이며, 도 7 은 본 발명에 의한 운전자 피로 감지 방법 중 차선 변경 감지단계에 이용되는 스티어링 휠 각도 변화를 보인 다이어그램이다.

도 3 내지 도 7 을 참조하면, 본 발명에 의한 운전자 피로 감지 방법의 일 실시 예는, 속도 판단단계(S100), 곡선 주행 판단단계(S200), 학습데이터 수집완료구간 판단단계(S300), 학습데이터 수집단계(S400), 판별데이터 수집단계(S500), 마하라노비스 거리 연산단계(S600), 운전자 피로감지단계(S700), 경보생성단계(S800)를 포함할 수 있다.

상기 속도 판단단계(S100)에서는, 차량의 속도(20)가 소정의 속도 이상인지 판단한다. 즉, 상기 속도 판단단계(S100)에서는, 차량의 속도(20)가 소정의 속도 이상인지 판단하여 운전자 피로 감지 방법을 실행하는지 여부를 판단할 수 있다. 왜냐하면, 저속이나 정체구간에서, 차량의 주행 데이터를 수집하여 차속 평균(3) 및 스티어링 휠 각도 움직임의 분산(4)를 연산하고 기저장된 학습데이터와 비교하여 운전자 상태를 판단하는 것이 불가능하기 때문이다. 따라서, 상기 속도 판단단계(S100)에서는, 곡선 구간 주행 정보(10), 차속 정보(20), 스티어링 휠 각도 정보(30) 및 턴 시그널 정보(40) 등을 수집할 수 있도록, 상기 차속 및 스티어링 휠 각도가 크게 변하는 소정의 속도 이상인지 판단하는 것이다. 여기서, 상기 소정의 속도는 60km/h 일 수 있다. 또한, 상기 판단단계(S100)에서는, 상기 차량의 속도(20)가 소정의 속도 이상이 아닌 경우 상기 속도 판단단계(S100)를 다시 수행할 수 있다.

상기 곡선 주행 판단단계(S200)에서는, 상기 차량의 속도(20)가 소정의 속도 이상인 경우 네비게이션부(100)를 이용하여 상기 차량이 곡선 구간(50)을 주행하는지 판단한다. 즉, 상기 곡선 주행 판단단계(S200)에서는, 상기 네비게이션부(100)로부터 직선 구간(51)과 곡선 구간(50)을 구분하는 정보를 전송받아 상기 차량이 곡선 구간(50)을 주행하는지 판단할 수 있는 것이다. 더욱 상게하게는, 상기 곡선 주행 판단단계(S200)에서는, 직선 구간(51) 및 곡선 구간(50)을 감지하는 네비게이션부(100)의 네비게이션(110)이 상기 차량이 주행하는 도로가 곡선 구간(50)인지 감지하여 곡선 구간 주행 정보(10)를 제어부(500)로 전송함으로써, 상기 제어부(500)상기 차량이 곡선 구간(50)을 주행하는지 판단할 수 있는 것이다. 또한, 상기 곡선 주행 판단단계(S200)에서는, 상기 차량이 곡선 구간(50)을 주행하지 아니하는 경우 상기 속도 판단단계(S100)를 다시 수행할 수 있다.

상기 학습데이터 수집완료구간 판단단계(S300)에서는, 상기 차량이 곡선 구간(50)을 주행하는 경우 상기 곡선 구간(50)이 학습데이터인 차속 평균(Sa1)(1) 및 스티어링 휠 각도 움직임의 분산(Nv1)(2) 데이터 저장이 완료된 구간(51)인지 판단한다. 즉, 상기 학습데이터 수집완료구간 판단단계(S300)에서는, 상기 기저장된 학습데이터인 차속 평균(Sa1)(1) 및 스티어링 휠 각도 움직임의 분산(Nv1)(2) 데이터와 상기 소정의 시간 단위(N)로 상기 곡선 구간(50)을 주행하는 차량의 차속 평균(Sa2)(3) 및 스티어링 휠 각도 움직임의 분산(Nv2)(4) 데이터를 비교하여 상기 두 데이터가 소정의 오차 범위 이내인 경우, 상기 곡선 구간(50)을 학습데이터 수집완료구간(51)으로 판단하는 것이다. 여기서, 상기 소정의 오차 범위는 실차 실험을 통하여 획득될 수 있다. 또한, 상기 학습데이터 수집완료구간 판단단계(S300)에서는, 상기 곡선 구간(50)이 상기 학습데이터 수집완료구간(51)이 아닌 경우 상기 곡선 구간(50)에서 소정의 시간 단위(N)로 소정의 횟수(M)만큼 학습데이터인 차속 평균(Sa1)(1)과 스티어링 휠 각도 움직임의 분산(Nv1)(2)을 수집하는 학습데이터 수집단계(S400)를 수행할 수 있다.

상기 학습데이터 수집단계(S400)에서는, 상기 곡선 구간(50)에서 소정의 시간 단위(N)로 소정의 횟수(M)만큼 학습데이터인 차속 평균(Sa1)(1)과 스티어링 휠 각도 움직임의 분산(Nv1)(2)을 수집한다. 더욱 상세하게는, 상기 학습데이터 수집단계(S400)는 데이터 수집단계(S410), 턴 시그널 감지단계(S420), 차선 변경 감지단계(S430), 데이터 삭제단계(S440), 데이터 필터링단계(S450), 데이터 저장단계(S460), 데이터 누적단계(S470), 학습데이터 연산단계(S480)을 포함할 수 있다.

상기 데이터 수집단계(S410)에서는, 상기 곡선 구간(50)에서 소정의 시간 단위(N)로 상기 차량의 차속(20)과 스티어링 휠 각도(30)를 수집한다. 즉, 상기 데이터 수집단계(S410)에서는, 상기 학습데이터의 차속 평균(1) 및 스티어링 휠 각도 움직임의 분산(2)을 연산하기 위하여 소정의 시간 단위(N)로 상기 차량의 차속(20)과 스티어링 휠 각도(30)를 수집하는 것이다. 여기서, 상기 소정의 시간 단위(N)로 수집되는 상기 차량의 차속(20)과 스티어링 휠 각도(30)를 수집데이터(60)라고 호칭할 수 있다. 또한, 여기서, 상기 소정의 시간 단위(N)의 크기는 제한이 없고 실차 실험으로 통하여 획득될 수 있으며, 특히 100ms 일 수 있다.

상기 턴 시그널 감지단계(S420)에서는, 턴 시그널 정보(40)를 감지한다. 여기서, 상기 턴 시그널 정보(40)는 클러스터부로(400)부터 획득할 수 있다. 즉, 상기 턴 시그널 감지단계(S420)에서는, 클러스터부(400)의 클러스터가(410)가 운전자 조작에 의한 턴 시그널(40)을 감지하여 상기 제어부(500)로 전송함으로써, 상기 제어부(500)가 턴 시그널 정보(40)를 감지하는 것이다. 또한, 상기 턴 시그널 감지단계(S420)에서는, 상기 턴 시그널 정보(40)가 감지되는 경우 일정 딜레이 시간만큼 데이터를 삭제하는 상기 데이터 삭제단계(S440)를 수행할 수 있다.

여기서, 상기 턴 시그널 감지단계(S420), 차선 변경 감지단계(S430) 및 데이터 삭제단계(S440)가 수행되는 이유는 운전자가 곡선 도로 구간에서 턴 시그날(40)을 켜지 않고 차선을 변경하는 때에도 데이터를 수집하여 학습데이터(70)를 연산하면 운전자의 피로 감지를 위한 올바른 학습데이터(70)를 구성할 수 없으므로, 상기 단계들을 통해 수집데이터(60) 중 학습데이터(70) 연산에 사용되지 않는 데이터를 삭제하는 것이다. 또 다른 이유는 턴 시그널(40)을 켜고 차선을 변경하는 때에는 일반 주행과 다른 스티어링 휠 패턴이 발생하기 때문에 턴 시그널(40)이 발생하였을 경우 일정 딜레이 시간만큼 데이터를 제외하고 수집한다. 따라서, 상기 턴 시그널 감지단계(S420), 차선 변경 감지단계(S430) 및 데이터 삭제단계(S440)에서는, 운전자가 곡선 도로 구간(50)에서 턴 시그널(40)을 켜지 않고 차선을 변경하는 경우 상기 데이터 수집단계(S410)에서 수집된 데이터(60)에서 상기 턴 시그널(40)을 켜지 않고 차선을 변경하는 소정의 시간 단위(N)에 수집한 데이터를 삭제하거나 상기 턴 시그널이 켜는 경우에 일정 딜레이 시간만큼 데이터를 삭제하는 것이다. 여기서, 상기 학습데이터(70)는 차속 평균(1) 및 스티어링 휠 각도 움직임의 분산(2)일 수 있다.

상기 차선 변경 감지단계(S430)에서는, 상기 턴 시그널 정보(40)가 감지되지 않는 경우 상기 차량이 차선을 변경하는지 감지한다. 더욱 상세하게는, 상기 차선 변경 감지단계(S430)는 스티어링 휠 각도 감지단계(S431) 및 차선 변경 판단단계(S432)를 포함할 수 있다.

상기 스티어링 휠 각도 감지단계(S431)에서는, 소정의 시간 내에 스티어링 휠 각도(30)가 양의 값에서 음의 값으로 변경되거나 또는 음의 값에서 양의 값으로 변경되는지 감지한다. 차량이 차선을 변경하는 경우, 도 7 과 같이 소정의 시간 단위에서 스티어링 휠 각도(30)가 양의 값에서 음의 값으로 변경되거나 또는 음의 값에서 양의 값으로 변경되고, 스티어링 휠 각도 측정부(300)는 이를 감지하여 상기 제어부(500)로 전송함으로써 상기 제어부(500)는 소정의 시간 내에 스티어링 휠 각도(30)가 양의 값에서 음의 값 또는 음의 값에서 양의 값으로 변경되는지 감지할 수 있는 것이다.

상기 차선 변경 판단단계(S432)에서는, 상기 소정의 시간 내의 상기 스티어링 휠 각도의 변화(31)를 적분하여 상기 적분값(32)이 0 을 기준으로 소정의 범위 이내인 경우 상기 차량이 차선을 변경하는 것으로 판단한다. 예를 들면, 상기 차량이 차선을 변경하기 위하여서는 운전자가 상기 스티어링 휠을 양의 방향으로 회전한 후, 바뀐 차선으로 계속 진행하기 위하여 상기 운전자가 상기 스티어링 휠을 다시 음의 방향으로 회전시켜 스티어링 휠을 최초의 위치로 복귀시키게 된다. 따라서, 상기 차선 변경 판단단계(S432)에서, 상기 소정의 시간 내의 상기 스티어링 휠 각도의 변화(31)를 적분하여 상기 적분값(32)이 0 을 기준으로 소정의 범위 이내인 경우 차선이 변경되었다고 판단할 수 있는 것이다. 여기서, 상기 소정의 시간은 턴 시그널(40)없이 차선을 변경하는 경우 그 기간 동안의 데이터를 삭제하기 위하여 시간 단위로 상기 데이터 수집단계(S410)에서 데이터를 수집하는 소정의 시간 단위(N)와 동일할 수 있다.

상기 데이터 삭제단계(S440)에서는, 상기 턴 시그널 정보(40)가 감지되는 경우 일정 딜레이 시간만큼 데이터를 삭제한다. 왜냐하면, 차량이 차선을 변경하는 경우 일반 주행과 다른 스티어링 휠 패턴이 수행되므로, 턴 시그널(40)이 발생하는 때에는 일정 딜레이 시간만큼 데이터를 제외하고 수집데이터(60)를 수집하는 것이다. 또한, 상기 데이터 삭제단계(S440)에서는, 상기 차량이 차선을 변경하는 경우 상기 수집된 데이터(60)에서 상기 차선 변경 기간 동안 상기 소정의 시간 단위(N)로 수집한 데이터를 삭제할 수 있다. 즉, 상기 데이터 삭제단계(S440)에서는, 상기 차량이 턴 시그널(40) 없이 차선을 변경하는 경우 상기 데이터 수집단계(S410)에서 수집된 데이터(60)에서 상기 차선 변경감지단계(S430)에서 상기 소정의 시간 단위(N)로 수집한 데이터를 삭제하는 것이다. 왜냐하면, 상술한 바와 같이 상기 차량이 턴 시그널(40) 없이 차선을 변경하는 경우는 운전자의 피로 감지를 위한 올바른 학습데이터(70)를 구성할 수 없기 때문이다.

상기 데이터 필터링단계(S450)에서는, 상기 차량이 차선을 변경하지 않는 경우 상기 수집된 데이터(60) 중 상기 스티어링 휠 각도 변화 폭이 소정의 값 이상인 데이터를 삭제한다. 즉, 상기 데이터 필터링단계(S450)에서는, 상기 데이터 수집단계(S410)에서 수집된 데이터(60)를 정리하는 단계로, 익스포넨셜 필터(Exponential filter)를 이용하여 상기 스티어링 휠이 급격하게 조작되는 때의 차속(20) 및 스티어링 휠 각도(30)를 수집데이터(60)를 삭제하는 것이다. 이로 인하여, 운전자의 운전 패턴을 표현하는 학습데이터(70)의 차속 평균(1) 및 스티어링 휠 각도 움직임의 분산(2)을 보다 정확하게 연산할 수 있는 것이다.

상기 데이터 저장단계(S460)에서는, 상기 삭제되지 않은 데이터(61)를 저장한다. 상기 데이터 저장단계(S460)에서는, 학습데이터의 차속 평균(1) 및 스터어링 휠 각도 움직임의 분산(2)을 연산하기 위하여 상기 삭제되지 않은 수집데이터(61)를 저장하는 것이다.

상기 데이터 누적단계(S470)에서는, 상기 삭제되지 않은 데이터(61)가 소정의 개수 이상인지 판단한다. 즉, 상기 데이터 누적단계(S470)에서는, 보다 정확한 학습데이터의 차속 평균(1) 및 스터어링 휠 각도 움직임의 분산(2) 데이터를 연산하기 위하여 소정의 개수 이상의 차속(20) 과 스티어링 휠 각도(30)를 수집하는 것이다. 또한, 데이터 누적단계(S470)에서는, 상기 삭제되지 않은 데이터(61)가 소정의 개수 이상이 아닌 경우 상기 데이터 수집단계(S410)를 다시 수행할 수 있다. 예를 들면, 상기 소정의 개수가 1000 이라는 의미는, 상기 차속(20) 및 스티어링 휠 각도(30) 데이터 각각 1000개라는 의미일 수 있다. 즉, 상기 학습데이터 연산단계(S480)에서는, 상기 데이터 누적단계(S470)에서 누적된 데이터(61) 각각 1000 개로부터 상기 소정의 시간 단위(N)에서 상기 차속(20) 데이터 10개로 1개의 차속 평균(1)을, 상기 소정의 시간 단위(N)에서 상기 스티어링 휠 각도(30) 데이터 10 개로 1개의 상기 스티어링 휠 각도 움직임의 분산(2)을 생성할 수 있다. 그 후, 소정의 횟수(M)가 100인 경우 상기 차속(20) 및 스티어링 휠 각도(30) 데이터로부터 상기 차속 평균(1) 및 상기 스티어링 휠 각도 움직임의 분산(2)을 각각 100 개 생성할 수 있다.

상기 학습데이터 연산단계(S480)에서는, 상기 삭제되지 않은 데이터(61)가 소정의 개수 이상인 경우 상기 소정의 개수 이상인 데이터로부터 상기 소정의 시간 단위(N)로 차속 평균(Sa1)(1)과 스티어링 휠 각도 움직임의 분산(Nv1)(2)를 연산하여 저장한다. 즉, 상기 학습데이터 연산단계(S480)에서는, 상기 마하라노비스 거리 연산단계(S600)에서 현재 주행하는 곡선 도로 구간(50)의 판별데이터(80)와 비교하기 위하여, 학습데이터의 차속 평균(Sa1)(1)과 스티어링 휠 각도 움직임의 분산(Nv1)(2) 데이터를 연산하여 저장하는 것이다.

또한, 상기 차선 변경 감지단계(S430)에서, 상기 차량이 차선을 변경하는 경우 상기 수집된 데이터(60)에서 상기 소정의 시간 단위(N)로 수집한 데이터를 삭제하는 데이터 삭제단계(S440)를 수행한 후 상기 데이터 수집단계(S410)를 다시 수행할 수 있다.

상기 판별데이터 수집단계(S500)에서는, 상기 곡선 구간(50)이 상기 학습데이터 수집완료구간(52)인 경우 상기 곡선 구간(50)을 주행하는 차량의 차속 평균(Sa2)(3) 및 스티어링 휠 각도 움직임의 분산(Nv2)(4) 데이터를 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집한다. 즉, 상기 판별데이터 수집단계(S500)에서는, 상기 곡선 구간(50)이 상기 학습데이터 수집완료구간(52)인 경우 소정의 시간 단위(N)로 상기 곡선 구간(50)을 주행하는 차량의 차속(20) 및 스티어링 휠 각도(30)를 수집하여 상기 차속 평균(Sa2)(3) 및 스티어링 휠 각도 움직임(Nv2)(4) 데이터를 생성하고 이를 소정의 횟수(M)만큼 반복하여 판별데이터(80)를 수집하는 것이다. 여기서, 상기 판별데이터(80)는 차량이 주행하는 곡선 구간(50)에서의 차속 평균(Sa2)(3) 및 스티어링 휠 각도 움직임의 분산(Nv2)(4) 데이터일 수 있다.

상기 마하라노비스 거리 연산단계(S600)에서는, 기저장된 학습데이터인 차속 평균(Sa1)(1) 및 스티어링 휠 각도 움직임의 분산(Nv1)(2) 데이터로부터 가우시안 혼합모델을 이용하여 제 1 분산 데이터집단(A)(5)을, 상기 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집된 상기 곡선 구간(50)을 주행하는 차량의 차속 평균(Sa2)(3) 및 스티어링 휠 각도 움직임의 분산(Nv2)(4) 데이터를 가우시안 혼합 모델을 이용하여 제 2 분산 데이터집단(B)(6)을 생성하고, 상기 제 1 분산 데이터집단(5)과 제 2 분산 데이터집단(6)의 마하라노비스 거리(Mahalanobis Distance)(7)를 연산한다. 여기서, 상기 마하라노비스 거리(Mahalanobis Distance)(7)는 공간 S에서 두 군집한 데이터집단 간의 거리를 의미한다. 본 발명에서는, 기저장된 학습데이터인 차속 평균(Sa1)(1) 및 스티어링 휠 각도 움직임(Nv1)(2) 데이터를 가우시안 혼합모델을 이용하여 변형한 제 1 분산 데이터집단(A)(5)과 상기 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집된 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2)(3) 및 스티어링 휠 각도 움직임(Nv2)(4) 데이터를 가우시안 혼합 모델을 이용하여 변형한 제 2 분산 데이터집단(B)(6) 간의 거리를 의미할 수 있다.

상기 마하라노비스 거리 연산단계(S600)에서, 상기 제 1 분산 데이터집단(5)과 제 2 분산 데이터집단(6)의 마하라노비스 거리(D)(7)는 다음 식,

에 의해 산출될 수 있다.

여기서, 상기 x 는 기저장된 학습데이터인 차속 평균(Sa1)(1)의 평균과 스티어링 휠 각도 움직임의 분산(Nv1)(2)의 평균을 2 바이(by) 1 행렬로 표현한 것이고, 상기 m 은 상기 판별데이터 수집단계(S500)에서 수집된 차속 평균(Sa2)(3)의 평균과 스티어링 휠 각도 움직임의 분산(Nv2)(4)의 평균을 2 바이(by) 1 행렬로 표현한 것이며, 상기 T 는 행과 열을 바꾸는 연산기호로, 예를 들면, 1 바이(by) 2 행렬을 2 바이(by) 1 행열로 바꿀 수 있는 연산기호이고, 상기 C 는 기저장된 학습데이터의 마하라노비스 메트릭스이다.

그리고, 상기 마하라노비스 메트릭스(C)는 다음 식,

에 의해 산출될 수 있다.

여기서, 상기 var(Nv1)는 스티어링 휠 각도 움직임의 분산(Nv1)의 분산이고, 상기 var(Sa)는 차속의 평균(Sa1)의 분산이다.

상기 운전자 피로감지단계(S700)에서는, 상기 연산된 마하라노비스 거리(7)가 임계값 이상인지 판단한다. 여기서, 상기 임계값은 운전자의 상태가 피로한 상태로가 판단할 수 있는 마하라노비스 거리 임계값으로 실차실험을 통하여 획득될 수 있다.

상기 경보생성단계(S800)에서는, 상기 연산된 마하라노비스 거리(7)가 임계값 이상인 경우 피로 감지 경보를 생성한다. 즉, 상기 경보생성단계(S800)에서는, 상기 연산된 마하라노비스 거리(7)가 임계값 이상인 경우 제어부(7)가 운전자 상태를 피로한 상태로 판단하여 피로 감지 경보를 생성하고 상기 네비게이션부(100) 또는 클러스터부(400)에 상기 피로 감지 경보를 전송할 수 있는 것이다.

이하에서는, 첨부된 도면을 참조하여 본 발명에 의한 운전자 피로 감지 시스템의 일 실시 예를 보다 상세하게 설명한다.

도 8 은 본 발명에 의한 운전자 피로 감지 시스템을 보인 블록도이다.

도 8 을 참조하면, 본 발명에 의한 운전자 피로 감지 시스템의 일 실시 예는, 네비게이션부(100), 엔진 제어부(200), 스티어링 휠 각도 측정부(300), 클러스터부(400) 및 제어부(500)를 포함할 수 있다.

상기 네비게이션부(100)는, 차량의 곡선 구간 주행 정보를 감지한다. 또한, 상기 네비게이션부(100)는, 상기 생성된 피로 감지 정보를 전송받아 피로 감지 경보를 발생시킬 수 있다.

상기 엔진 제어부(200)는, 상기 차량의 속도 정보를 감지한다.

상기 스티어링 휠 각도 측정부(300)는, 기 차량의 스티어링 휠 각도 정보를 감지한다.

상기 클러스터부(400)는, 턴 시그널 정보를 감지한다. 또한, 상기 클러스터부(400)는 상기 생성된 피로 감지 정보를 전송받아 피로 감지 경보를 발생시킬 수 있다.

상기 제어부(500)는, 상기 곡선 구간 주행에 대한 정보를 이용하여 상기 차량이 곡선 도로를 주행하는지 여부를 판단하고, 가우시안 혼합 모델을 이용하여 상기 속도, 스티어링 휠 각도 및 턴 시그널 정보로부터 차속 평균 및 스티어링 휠 각도 움직임에 대한 2개 이상의 분산 데이터집단을 생성한 후, 상기 분산 데이터집단 사이의 마하라노비스 거리를 연산하여 운전자의 피로 감지 정보를 생성한다. 또한, 상기 제어부는 상기 네비게이션부와 멀티미디어 캔 버스(MM-CAN : MULTI-MEDIA CAN BUS)로 연결될 수 있으며, 상기 엔진제어부, 스티어링 휠 각도 측정부 및 클러스터부와 샤시 캔 버스(C-CAN : CHASSIS CAN BUS)로 연결될 수 있다.

상술한 바와 같이, 본 발명의 기본적인 기술적 사상의 범주 내에서, 당업계의 통상의 지식을 가진 자에게 있어서는 다른 많은 변형이 가능함은 물론이고, 본 발명의 권리범위는 첨부한 특허청구범위에 기초하여 해석되어야 할 것이다.

1 : 학습데이터의 차속 평균
2 : 학습데이터의 스티어링 휠 각도 움직임
3 : 판별데이터의 차속 평균
4 : 판별데이터의 스티어링 휠 각도 움직임
5 : 제 1 분산 데이터집단(A)
6 : 제 2 분산 데이터집단(B)
7 : 마하라노비스 거리
10 : 곡선 구간 주행 정보
20 : 차량의 속도 정보
30 : 스티어링 휠 각도 정보 31 : 스티어링 휠 각도 변화
40 : 턴 시그널 정보
50 : 곡선 구간
51 : 수집데이터 52 : 학습데이터
100 : 네비게이션부 110 : 네비게이션
200 : 엔진제어부
300 : 스티어링 휠 각도 측정부
400 : 클러스터부 410 : 클러스터
500 : 제어부

Claims

운전자 피로 감지 방법에 있어서,
차량의 속도가 소정의 속도 이상인지 판단하는 속도 판단단계;
상기 차량의 속도가 소정의 속도 이상인 경우 네비게이션부를 이용하여 상기 차량이 곡선 구간을 주행하는지 판단하는 곡선 주행 판단단계;
상기 차량이 곡선 구간을 주행하는 경우 상기 곡선 구간이 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터 저장이 완료된 구간인지 판단하는 학습데이터 수집완료구간 판단단계;
상기 곡선 구간이 상기 학습데이터 저장이 완료된 구간인 경우 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터를 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집하는 판별데이터 수집단계; 및
기저장된 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터로부터 가우시안 혼합모델을 이용하여 제 1 분산 데이터집단(A)을, 상기 소정의 시간 단위(N)로 소정의 횟수(M)만큼 수집된 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터로부터 가우시안 혼합 모델을 이용하여 제 2 분산 데이터집단(B)을 생성하고, 상기 제 1 분산 데이터집단과 제 2 분산 데이터집단(B)의 마하라노비스 거리(Mahalanobis Distance)를 연산하는 마하라노비스 거리 연산단계;
상기 연산된 마하라노비스 거리가 임계값 이상인지 판단하는 운전자 피로감지단계;
를 포함하는 운전자 피로 감지 방법.
제 1 항에 있어서,
상기 속도 판단단계에서,
상기 차량의 속도가 소정의 속도 이상이 아닌 경우 상기 속도 판단단계를 다시 수행하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 1 항에 있어서,
상기 곡선 주행 판단단계에서,
상기 차량이 곡선 구간을 주행하지 아니하는 경우 상기 속도 판단단계를 다시 수행하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 1 항에 있어서,
상기 학습데이터 수집완료구간 판단단계에서,
상기 곡선 구간이 상기 학습데이터 저장이 완료된 구간이 아닌 경우 상기 곡선 구간에서 소정의 시간 단위(N)로 소정의 횟수(M)만큼 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터를 수집하는 학습데이터 수집단계를 수행하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 1 항에 있어서,
상기 학습데이터 수집완료구간 판단단계에서는,
상기 기저장된 학습데이터인 차속 평균(Sa1) 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터와, 상기 소정의 시간 단위(N)로 상기 곡선 구간을 주행하는 차량의 차속 평균(Sa2) 및 스티어링 휠 각도 움직임의 분산(Nv2) 데이터를 비교하여, 상기 두 데이터가 소정의 오차 범위 이내인 경우 상기 곡선 구간을 학습데이터 수집완료구간으로 판단하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 1 항에 있어서,
상기 마하라노비스 거리 연산단계에서,
상기 제 1 분산 데이터집단과 제 2 분산 데이터집단의 마하라노비스 거리(D)는 다음 식,

(여기서, 상기 x 는 기저장된 학습데이터인 차속 평균(Sa1)의 평균 및 스티어링 휠 각도 움직임의 분산(Nv1) 데이터의 평균이고, 상기 m 은 상기 판별데이터 수집단계에서 수집된 차속 평균(Sa2)의 평균 및 스티어링 휠 각도 움직임의 분산(Nv2)의 평균이며, 상기 T 는 행과 열을 바꾸는 연산기호로, 예를 들면, 1by2 행렬을 2by1 행열로 바꿀 수 있는 연산기호이고, 상기 C 는 기저장된 학습데이터의 마하라노비스 메트릭스임.)
에 의해 산출되는 것을 특징으로 하는 운전자 피로 감지 방법.
제 6 항에 있어서,
상기 마하라노비스 메트릭스(C)는 다음 식,

(여기서, 상기 var(Nv1)는 스티어링 휠 각도 움직임의 분산(Nv1)의 분산이고, 상기 var(Sa)는 차속의 평균(Sa1)의 분산임.)
에 의해 산출되는 것을 특징으로 하는 운전자 피로 감지 방법.
제 1 항에 있어서,
상기 운전자 피로감지단계에서,
상기 연산된 마하라노비스 거리가 임계값 이상이 아닌 경우 상기 속도 판단단계를 다시 수행하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 1 항에 있어서,
상기 운전자 피로감지단계 이후에,
상기 연산된 마하라노비스 거리가 임계값 이상인 경우 피로 감지 경보를 생성하는 경보생성단계;
를 더 포함하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 5 항에 있어서,
상기 학습데이터 수집단계는,
상기 곡선 구간에서 소정의 시간 단위(N)로 상기 차량의 차속과 스티어링 휠 각도를 수집하는 데이터 수집단계;
턴 시그널 정보를 감지하는 턴 시그널 감지단계;
상기 턴 시그널 정보가 감지되지 않는 경우 상기 차량이 차선을 변경하는지 감지하는 차선 변경 감지단계;
상기 차량이 차선을 변경하지 않는 경우 상기 수집된 데이터 중 상기 스티어링 휠 각도 변화 폭이 소정의 값 이상인 데이터를 삭제하는 데이터 필터링단계;
상기 삭제되지 않은 데이터를 저장하는 데이터 저장단계;
상기 삭제되지 않은 데이터가 소정의 개수 이상인지 판단하는 데이터 누적단계; 및
상기 삭제되지 않은 데이터가 소정의 개수 이상인 경우 상기 소정의 개수 이상인 데이터로부터 상기 소정의 시간 단위(N)로 소정의 횟수(M)만큼 차속 평균(Sa1)과 스티어링 휠 각도 움직임의 분산(Nv1) 데이터를 연산하여 저장하는 학습데이터 연산단계;
를 포함하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 10 항에 있어서,
상기 턴 시그널 감지단계에서,
상기 턴 시그널 정보가 감지되는 경우 일정 딜레이 시간만큼 데이터를 삭제하는 데이터 삭제단계를 수행하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 10 항에 있어서,
상기 차선 변경 감지단계는,
소정의 시간 내에 스티어링 휠 각도가 양의 값에서 음의 값으로 변경되거나 또는 음의 값에서 양의 값으로 변경되는지 감지하는 스티어링 휠 각도 감지단계; 및
상기 소정의 시간 내의 상기 스티어링 휠 각도의 변화를 적분하여 적분값이 0 을 기준으로 소정의 범위 이내인 경우 상기 차량이 차선을 변경하는 것으로 판단하는 차선 변경 판단단계;
를 포함하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 10 항에 있어서,
상기 데이터 누적단계에서,
상기 삭제되지 않은 데이터가 소정의 개수 이상이 아닌 경우 상기 데이터 수집단계를 다시 수행하는 것을 특징으로 하는 운전자 피로 감지 방법.
제 10 항 또는 제 12 항에 있어서,
상기 차선 변경 감지단계에서,
상기 차량이 차선을 변경하는 경우 상기 수집된 데이터에서 상기 소정의 시간 단위(N)로 수집한 데이터를 삭제하는 데이터 삭제단계를 수행한 후 상기 데이터 수집단계를 다시 수행하는 것을 특징으로 하는 운전자 피로 감지 방법.
운전자 피로 감지 시스템에 있어서,
차량의 곡선 구간 주행 정보를 감지하는 네비게이션부;
상기 차량의 속도 정보를 감지하는 엔진 제어부;
상기 차량의 스티어링 휠 각도 정보를 감지하는 스티어링 휠 각도 측정부;
턴 시그널 정보를 감지하는 클러스터부; 및
상기 곡선 구간 주행 정보를 이용하여 상기 차량이 곡선 도로를 주행하는지 여부를 판단하고, 가우시안 혼합 모델을 이용하여 상기 속도 정보, 스티어링 휠 각도 정보 및 턴 시그널 정보로부터 차속 평균 및 스티어링 휠 각도 움직임에 대한 2개 이상의 분산 데이터집단을 생성한 후, 상기 분산 데이터집단 사이의 마하라노비스 거리를 연산하여 운전자의 피로 감지 정보를 생성하는 제어부;
를 포함하는 운전자 피로 감지 시스템.
제 15 항에 있어서,
상기 네비게이션부 또는 클러스터부는 상기 생성된 피로 감지 정보를 전송받아 피로 감지 경보를 발생시키는 것을 특징으로 하는 운전자 피로 감지 시스템.