KR102423251B1 - System for optimizing transmission time of network using neural network learning - Google Patents
System for optimizing transmission time of network using neural network learning Download PDFInfo
- Publication number
- KR102423251B1 KR102423251B1 KR1020150118187A KR20150118187A KR102423251B1 KR 102423251 B1 KR102423251 B1 KR 102423251B1 KR 1020150118187 A KR1020150118187 A KR 1020150118187A KR 20150118187 A KR20150118187 A KR 20150118187A KR 102423251 B1 KR102423251 B1 KR 102423251B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- transmission
- module
- learning
- network
- Prior art date
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims abstract 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims abstract 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims abstract 2
- 230000008859 change Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000008054 signal transmission Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L12/40169—Flexible bus arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L12/40143—Bus networks involving priority mechanisms
- H04L12/4015—Bus networks involving priority mechanisms by scheduling the transmission of messages at the communication node
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40208—Bus networks characterized by the use of a particular bus standard
- H04L2012/40215—Controller Area Network CAN
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40267—Bus for use in transportation systems
- H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Small-Scale Networks (AREA)
Abstract
본 발명은 자율 주행 또는 ADAS에 적용되는 CAN 네트워크에 있어서, 신경망 학습을 이용하여 송신 신호의 오프셋값을 결정하는 시스템에 관한 것이다.
본 발명의 일면에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템은 CAN 신호를 수신하고, 송신 시점 조정에 따라 메시지를 송신하는 CAN 송수신 모듈과, CAN 송수신모듈의 데이터로부터 인자를 추출하는 인자 추출부와, 추출된 인자를 바탕으로 신경망 학습을 통해 새로운 오프셋값의 학습을 수행하는 신경망 학습부 및 오프셋값이 적용된 메시지가 CAN 네트워크 전송 주기 내에서 전송되는지 여부를 체크하여, 그 검증 결과를 CAN 송수신 모듈로 전송하는 검증 모듈을 포함하는 것을 특징으로 한다. The present invention relates to a system for determining an offset value of a transmission signal using neural network learning in a CAN network applied to autonomous driving or ADAS.
A network transmission timing optimization system using neural network learning according to an aspect of the present invention includes a CAN transmission/reception module that receives a CAN signal and transmits a message according to transmission timing adjustment, and a factor extractor that extracts factors from data of the CAN transmission/reception module; , a neural network learning unit that performs learning of a new offset value through neural network learning based on the extracted factors and checks whether a message to which the offset value is applied is transmitted within the CAN network transmission period, and sends the verification result to the CAN transmission/reception module It is characterized in that it includes a verification module to transmit.
Description
본 발명은 자율 주행 또는 ADAS에 적용되는 CAN 네트워크에 있어서, 신경망 학습을 이용하여 송신 신호의 오프셋값을 결정하는 시스템에 관한 것이다. The present invention relates to a system for determining an offset value of a transmission signal using neural network learning in a CAN network applied to autonomous driving or ADAS.
차량 주행 안전성을 위하여, ADAS(Advanced Driver Assistance System)이 제안되었으며, 이러한 ADAS 시스템은 차량에 장착된 센서들 외에 주변 사물을 감지하는 센서들의 정보를 이용하여, 자차의 현재 위치, 주변 차량의 위치, 도로의 상황 등을 감지하여 운전자가 더 수월하게 안전한 운전을 할 수 있도록 지원한다. For vehicle driving safety, ADAS (Advanced Driver Assistance System) has been proposed, and this ADAS system uses information from sensors that detect surrounding objects in addition to sensors mounted on the vehicle, By detecting road conditions, etc., it helps drivers to drive more easily and safely.
종래 기술에 따른 자율주행/ADAS 시스템은 필요한 기능 별로 각종 센서들의 추가 및 이탈이 빈번하게 일어남에 따라, 네트워크 구성이 일관되게 유지되기 어려우며, 버스로드만으로 네트워크를 관리하는 경우에는 네트워크 안정성이 떨어져, 차량 주행에 위협 요인이 발생되는 문제점이 있다. In the autonomous driving/ADAS system according to the prior art, as various sensors are frequently added and departed for each required function, it is difficult to maintain a consistent network configuration. There is a problem that a threat factor occurs while driving.
본 발명의 목적은 자율 주행 또는 ADAS 시스템에 있어서, 주변 센서들의 변경 또는 신호의 변경에 대응하여 능동적으로 오프셋값을 조정하고, 조향, 제동, 구동에 필요한 송신 신호의 오프셋값을 정하여 CAN메시지의 송신 시점을 능동적으로 조절하여 응답 시간의 개선이 가능한 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템을 제공하는 데 목적이 있다. It is an object of the present invention to transmit a CAN message by actively adjusting an offset value in response to a change in surrounding sensors or a signal change in an autonomous driving or ADAS system, and determining an offset value of a transmission signal required for steering, braking, and driving. An object of the present invention is to provide a network transmission timing optimization system using neural network learning capable of improving response time by actively adjusting the timing.
본 발명의 일면에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템은 CAN 신호를 수신하고, 송신 시점 조정에 따라 메시지를 송신하는 CAN 송수신 모듈과, CAN 송수신모듈의 데이터로부터 인자를 추출하는 인자 추출부와, 추출된 인자를 바탕으로 신경망 학습을 통해 새로운 오프셋값의 학습을 수행하는 신경망 학습부 및 오프셋값이 적용된 메시지가 CAN 네트워크 전송 주기 내에서 전송되는지 여부를 체크하여, 그 검증 결과를 CAN 송수신 모듈로 전송하는 검증 모듈을 포함하는 것을 특징으로 한다. A network transmission timing optimization system using neural network learning according to an aspect of the present invention includes a CAN transmission/reception module that receives a CAN signal and transmits a message according to transmission timing adjustment, and a factor extractor that extracts factors from data of the CAN transmission/reception module; , a neural network learning unit that learns a new offset value through neural network learning based on the extracted factors and checks whether a message to which the offset value is applied is transmitted within the CAN network transmission period, and the verification result is sent to the CAN transmission/reception module It is characterized in that it includes a verification module to transmit.
본 발명에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템은 CAN 메시지의 송신 시점을 능동적으로 조절함으로써, 각종 센서들의 추가 또는 이탈이 발생하는 경우에도 자율 주행 또는 ADAS 시스템의 네트워크 안정성을 확보하는 효과가 있다. The network transmission timing optimization system using neural network learning according to the present invention has the effect of securing network stability of autonomous driving or ADAS systems even when various sensors are added or separated by actively adjusting the transmission timing of CAN messages. .
또한, 오프셋 값 결정을 위하여 제약 조건을 반영하고, 검증 모듈을 통하여 계산의 안정성을 확보하며, 시스템 부하를 최소화하는 것이 가능한 효과가 있다. In addition, it is possible to reflect the constraint to determine the offset value, to secure the stability of the calculation through the verification module, and to minimize the system load.
송신 메시지의 응답 시간 감소를 통해 자율 주행 또는 ADAS 시스템의 신뢰성을 증가시키고, 동일한 네트워크 부하(버스 로드)에서도 응답 시간을 감소시킴으로써 반응 속도를 개선하는 효과가 있다. It has the effect of increasing the reliability of an autonomous driving or ADAS system by reducing the response time of a transmitted message, and improving the response speed by reducing the response time even under the same network load (bus load).
본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.
도 1은 종래 기술에 따른 문제점으로 버스로드 및 응답 시간을 도시하는 예시도이다.
도 2는 본 발명의 실시예에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템을 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템의 응답 시간 개선을 나타내는 예시도이다. 1 is an exemplary diagram illustrating a bus load and response time as a problem according to the prior art.
2 is a block diagram illustrating a network transmission timing optimization system using neural network learning according to an embodiment of the present invention.
3 is an exemplary diagram illustrating response time improvement of a network transmission timing optimization system using neural network learning according to an embodiment of the present invention.
본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. The above and other objects, advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only the following embodiments are intended for those of ordinary skill in the art to which the present invention pertains. It is only provided to easily inform the composition and effect, and the scope of the present invention is defined by the description of the claims.
한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.Meanwhile, the terminology used herein is for the purpose of describing the embodiments and is not intended to limit the present invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, “comprises” and/or “comprising” means that a referenced component, step, operation, and/or element is the presence of one or more other components, steps, operations and/or elements. or added.
본 발명의 바람직한 실시예를 설명하기에 앞서, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 살펴보기로 한다. Before describing a preferred embodiment of the present invention, a background in which the present invention is proposed in order to help those skilled in the art to understand.
자율주행 시스템은 차량을 운전자가 직접 운전하지 않고 스스로 달리게 하는 기술로, 운전자의 개입 없이도 스스로 경로를 파악하고 차량의 각종 액츄에이터에 명령을 전송하여 목적지까지 안전하게 차량을 주행시킨다. The autonomous driving system is a technology that allows the vehicle to run on its own without the driver directly driving it. Without the driver's intervention, the autonomous driving system detects the route by itself and sends commands to various actuators of the vehicle to safely drive the vehicle to the destination.
이를 위하여 필요한 센서의 종류는 레이더, 레이저 스캐너, 초음파 센서, 카메라 등이 있으며, 이들은 자율주행/ ADAS ECU와 물리적인 통신 데이터를 주고 받게 된다. The types of sensors required for this are radar, laser scanner, ultrasonic sensor, and camera, and they exchange physical communication data with autonomous driving/ADAS ECU.
통상적인 CAN 시스템은 ID 별로 우선순위를 책정하고 있어, 동시간 대에 네트워크에 데이터를 전송시키려 시도하는 경우, 네트워크에 몰려있는 메시지들의 우선 순위에 따라, 각 메시지별로 전송이 가능한 시점이 되었을 때 데이터를 전송하게 된다. A typical CAN system sets a priority for each ID, so when an attempt is made to transmit data to the network at the same time, according to the priority of messages clustered in the network, the data is transmitted when it is possible to transmit each message. will send
자율주행/ADAS 시스템은 각종 센서, 액츄에이터들과 송수신하는 메시지 수가 매우 많으며, ID의 우선 순위를 통한 네트워크 구성 및 버스로드 확인이 이루어지고 있다. The autonomous driving/ADAS system has a very large number of messages that are transmitted and received with various sensors and actuators, and network configuration and bus load check are made through ID priority.
종래 기술에 따른 CAN 네트워크는 ECU와 센서들의 연결이 고정되어 있다는 전제 하에 설계가 되어 있으며, 실제 버스로드 분석만을 통해 이를 관리하고 있어, 네트워크 부하를 고려한 CAN 메시지 송신 매커니즘이 고려되지 않는 문제점이 있다. The CAN network according to the prior art is designed on the premise that the connection between the ECU and the sensors is fixed, and it is managed only through the actual bus load analysis, so there is a problem that the CAN message transmission mechanism considering the network load is not considered.
종래 기술에 따른 자율주행/ADAS 시스템은 필요한 기능 별로 각종 센서들의 추가 및 이탈이 빈번하게 일어남에 따라, 네트워크 구성이 일관되게 유지되기 어려우며, 네트워크 안정성이 떨어지는 문제점이 있다. The autonomous driving/ADAS system according to the prior art has problems in that it is difficult to maintain a consistent network configuration and network stability is poor as various sensors are frequently added and departed for each required function.
이러한 경우 종래 기술에 따른 자율주행/ADAS 시스템은 매번 이를 조정하여야 함에도 불구하고, 양산 뒤 센서 교체 또는 메시지 업데이트(ID, 데이터 길이)가 발생되는 경우 이를 반영하여 네트워크가 설계되지 않았기에, 주행 안전성에 대한 불안 요소가 잔존하게 된다. In this case, although the autonomous driving/ADAS system according to the prior art has to adjust it every time, when a sensor replacement or message update (ID, data length) occurs after mass production, the network is not designed to reflect this, Anxiety factors remain.
도 1에서 도시한 바와 같이, 버스로드 만으로 네트워크를 관리하는 경우, 부하는 동일하더라도 응답 시간이 기준치를 초과하는 경우가 발생하는 문제점이 있다. As shown in FIG. 1 , when the network is managed only by the bus load, there is a problem in that the response time exceeds the reference value even if the load is the same.
조향, 제동, 엔진 등 기능에 목표 지령치를 전송하여야 하는 자율주행/ADAS 시스템에서는 이러한 경우가 발생하는 경우, 차량 주행에 위협 요인이 발생되는 바, 네트워크 강건성을 파악하기 위하여 버스로드 외에도 응답 시간의 파라미터를 고려하여 네트워크 설계 시에 반영하여야 함이 필요한 실정이다. In an autonomous driving/ADAS system that needs to transmit target setpoints to functions such as steering, braking, and engine, when this occurs, a threat to vehicle driving occurs. It is necessary to take this into consideration when designing the network.
본 발명은 전술한 문제점을 해결하기 위하여 제안된 것으로, 도 2는 본 발명의 실시예에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템을 나타내는 블록도이다. The present invention has been proposed to solve the above-described problems, and FIG. 2 is a block diagram illustrating a network transmission timing optimization system using neural network learning according to an embodiment of the present invention.
본 발명의 실시예에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템(200)은 CAN 송수신 모듈(210)과, CAN 송수신 모듈(210)의 데이터로부터 인자를 추출하는 인자 추출부(220)와, 추출된 인자를 바탕으로 신경망 학습을 통해 새로운 오프셋값의 학습을 수행하는 신경망 학습부(230) 및 오프셋값이 적용된 메시지가 CAN 네트워크 전송 주기 내에서 전송되는지 여부를 체크하여, 그 검증 결과를 CAN 송수신 모듈로 전송하는 검증 모듈(250)을 포함한다. A network transmission
본 발명에 따르면, 오프셋(Offset)을 이용한 CAN 네트워크 적용 시, 주변 센서들의 변경 또는 신호의 변경에 대응하여 능동적으로 오프셋값을 조정하여 차량 거동에 필요한 명령 신호를 주는 송신 신호의 오프셋값을 정함에 있어, 인공 신경망을 이용하여 학습을 수행한다. According to the present invention, when applying a CAN network using an offset, an offset value of a transmission signal that gives a command signal necessary for vehicle behavior by actively adjusting an offset value in response to a change of surrounding sensors or a change of a signal is determined. Therefore, learning is performed using an artificial neural network.
CAN 송수신 모듈(210)은 센서(100)로부터 CAN 신호를 수신하는 수신 모듈(211)과, 메시지를 송신하는 송신 모듈(212) 및 송신 모듈(212)의 송신 타임을 조절하는 오프셋을 제어하는 오프셋 제어 모듈(213)을 포함하여 구성된다. The CAN transmission/
오프셋 제어를 통하여, 송신 신호의 송신 시점을 조절하는 것이 가능하다. Through the offset control, it is possible to adjust the transmission time of the transmission signal.
인자 추출부(220)는 송수신되는 데이터에서 학습을 위해 필요한 모듈을 추출하는 구성으로, 자율주행/ADAS 시스템 내의 송수신되는 모든 데이터로부터 아이디, 송신 또는 수신 시점, 메시지의 데이터 길이, 송신 메시지의 오프셋을 포함하는 인자를 추출하여 이를 학습재료로 사용한다. The
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 신경망 학습부(230)는 3-layer 신경망 학습부로서, 추출된 인자를 기초로 네트워크 메시지 구조에 변동이 생긴 경우, 3층으로 나뉘어진 신경망의 가중치를 이용하여 새로운 오프셋값에 대한 학습을 수행한다. As shown in FIG. 2 , the neural
이 때, 신경망 학습부(230)는 3층으로 나뉘어진 신경망의 가중치 합과 곱을 통하여 새로운 오프셋값의 학습을 담당하며, 오프셋 결정의 비선형성을 해결하기 위하여 오류역전파(back propagation) 연산 과정을 통해서 학습을 수행한다. At this time, the neural
본 발명의 실시예에 따른 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템(200)은 신경망 학습에 대한 제약 조건을 규정하여 제공하는 제약조건 모듈(240)을 포함하여 구성된다. The
신경망 학습부(230)의 학습 수행에 있어, 시스템의 사양(제약 조건)을 규정하는 제약조건 모듈(240)은 오프셋 범위를 제공하는 모듈로서, 각 오프셋의 최대, 최소치와 변경 제약폭을 규정하여, 신경망 학습의 제약 조건으로 제공한다. In the learning performance of the neural
송신 메시지 별로 오프셋이 생성되면, 본 발명의 실시예에 따른 검증 모듈(250)은 각 메시지에 오프셋을 적용하였을 때 전체 CAN 네트워크의 전송 주기 안에 신호 송신이 일어나는지 체크한다. When an offset is generated for each transmission message, the
체크 시 실패가 발생되는 것으로 계산되면, 신경망 학습부(230)를 통해서 오프셋값이 수정되고, 수정된 오프셋은 CAN 송수신 모듈(210)의 송신 모듈(212)을 통해 네트워크에 반영된다. If it is calculated that a failure occurs during the check, the offset value is corrected through the neural
전체 네트워크에 변동이 생기는 경우, 인자 추출부(220)를 통해서 오프셋값에 대한 재조정이 반복된다. When there is a change in the entire network, readjustment of the offset value is repeated through the
종래 기술에 따르면 16비트 MCU 또는 싱글코어 32비트 MCU의 경우 시스템 부하를 고려하여 상시 동작이 어려운 점을 감안하여, 본 발명의 실시예에 따른 신경망 학습부(230)는 종래 기술에 따른 시스템 부하를 고려하여, 멀티코어 MCU의 서브 코어를 활용하여 네트워크 수신 시간의 변화가 생기면 신경망을 이용하여 그 변화에 최적으로 반응할 수 있도록 오프셋 시간을 기설정된 주기(예: 500ms 주기)로 학습 계산을 수행한다. According to the prior art, considering that it is difficult to always operate a 16-bit MCU or a single-core 32-bit MCU in consideration of the system load, the neural
이러한 계산 시에 발산 가능성을 최소화하기 위하여, 본 발명의 실시예에 따른 제약조건 모듈(240) 및 검증 모듈(250)을 통하여 전체 계산의 안정성을 확보하는 것이 가능하다. In order to minimize the possibility of divergence in the calculation, it is possible to secure the stability of the entire calculation through the
이 때, 검증 모듈(250)은 전체 시스템의 부하에 영향을 미칠 수 있으므로, 기설정된 주기(예: 10초마다) 작동하도록 함으로써, 시스템 부하를 최소화하는 것이 바람직하다. At this time, since the
도 3에 도시한 바와 같이, 본 발명의 실시예에 따르면, 종래 개발된 네트워크 오프셋들도 전술한 과정을 통하여 최적화가 이루어지게 되어, 동일한 버스 부하에도 응답 시간의 개선 효과를 기대할 수 있다. As shown in FIG. 3 , according to the embodiment of the present invention, the conventionally developed network offsets are also optimized through the above-described process, so that the effect of improving the response time can be expected even with the same bus load.
본 발명의 실시예에 따르면, 자율주행 및 ADAS 시스템에 적용되어 송신 메시지의 응답 시간 감소를 통하여 반응 속도 개선 효과를 통하여 성능을 향상시키고, CAN 메시지 송신 매커니즘을 통하여 센서의 종류, 수량, 데이터(ID, 데이터 길이 등)의 변동이 발생하는 경우에도 별도의 네트워크 튜닝 과정 없이 네트워크 안정성을 유지하는 효과가 있다. According to an embodiment of the present invention, it is applied to autonomous driving and ADAS systems to improve the performance through the effect of improving the reaction speed through the reduction of the response time of the transmitted message, and the type, quantity, and data (ID) of the sensor through the CAN message transmission mechanism , data length, etc.) has the effect of maintaining network stability without a separate network tuning process.
이제까지 본 발명의 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다. So far, the embodiments of the present invention have been mainly looked at. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention may be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments are to be considered in an illustrative rather than a restrictive sense. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.
100: 센서 210: CAN 송수신 모듈
211: 수신모듈 212: 송신모듈
213: 오프셋 제어 모듈 220: 인자 추출부
230: 신경망 학습부 240: 제약조건 모듈
250: 검증 모듈 300a: 조향부
300b: 제동부 300c: 구동부100: sensor 210: CAN transmit/receive module
211: receiving module 212: sending module
213: offset control module 220: factor extraction unit
230: neural network learning unit 240: constraint module
250:
300b: braking
Claims (8)
상기 차량의 ADAS 시스템 내의 송수신되는 데이터로부터 아이디, 송신 시점, 수신 시점, 데이터 길이, 송신 메시지의 오프셋을 포함하는 인자를 추출하는 인자 추출부;
추출된 상기 인자를 바탕으로 신경망 학습을 통해 새로운 오프셋값의 학습을 수행하되, 추출된 상기 인자를 기초로 네트워크 메시지 구조에 변동이 생긴 경우 오류역전파 연산 과정을 통해 상기 새로운 오프셋값의 학습을 수행하는 신경망 학습부; 및
상기 새로운 오프셋값이 적용된 메시지가 CAN 네트워크 전송 주기 내에서 전송되는지 여부를 체크하여, 그 검증 결과를 상기 CAN 송수신 모듈로 전송하는 검증 모듈을 포함하고,
상기 신경망 학습부는 상기 검증 모듈이 상기 전송 주기 내에 신호 송신이 일어나지 않는 것으로 확인하는 경우, 상기 새로운 오프셋값을 수정하는 것
인 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템.
A receiving module for receiving a CAN signal from a sensor disposed in a vehicle, a transmitting module for transmitting a message for transmitting a target command value to steering, braking, and an engine, and an offset control module for controlling an offset for adjusting the transmission time of the transmitting module CAN transceiver module including;
a factor extracting unit for extracting factors including an ID, a transmission time, a reception time, a data length, and an offset of a transmission message from data transmitted and received in the ADAS system of the vehicle;
Learning of a new offset value is performed through neural network learning based on the extracted factor, but when there is a change in the network message structure based on the extracted factor, learning of the new offset value is performed through an error backpropagation operation process neural network learning unit; and
and a verification module that checks whether the message to which the new offset value is applied is transmitted within a CAN network transmission period, and transmits the verification result to the CAN transmission/reception module,
The neural network learning unit corrects the new offset value when the verification module confirms that the signal transmission does not occur within the transmission period
Network transmission timing optimization system using neural network learning.
상기 신경망 학습에 대한 제약 조건을 규정하여 제공하는 제약조건 모듈
을 더 포함하는 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템.
The method of claim 1,
A constraint module that defines and provides constraint conditions for the neural network learning
Network transmission time optimization system using neural network learning further comprising a.
상기 제약조건 모듈은 오프셋의 최대, 최소치 및 변경 제약폭을 규정하여 이를 상기 신경망 학습부의 학습 시 제약조건으로 제공하는 것
인 신경망 학습을 이용한 네트워크 송신 시점 최적화 시스템.
7. The method of claim 6,
The constraint module defines the maximum, minimum, and change constraint width of the offset and provides it as a constraint when learning the neural network learning unit
Network transmission timing optimization system using neural network learning.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150118187A KR102423251B1 (en) | 2015-08-21 | 2015-08-21 | System for optimizing transmission time of network using neural network learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150118187A KR102423251B1 (en) | 2015-08-21 | 2015-08-21 | System for optimizing transmission time of network using neural network learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170023357A KR20170023357A (en) | 2017-03-03 |
| KR102423251B1 true KR102423251B1 (en) | 2022-07-21 |
Family
ID=58410519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150118187A KR102423251B1 (en) | 2015-08-21 | 2015-08-21 | System for optimizing transmission time of network using neural network learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102423251B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109209653A (en) * | 2018-08-28 | 2019-01-15 | 开沃新能源汽车集团有限公司 | It is a kind of to realize that CAN data are converted into the gas pedal control method of analog data based on gateway and D/A module |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015102579A1 (en) * | 2013-12-30 | 2015-07-09 | Schneider Electric It Corporation | System and method for automatically selecting baud rate in a can network |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3180500B2 (en) * | 1993-03-01 | 2001-06-25 | ヤマハ株式会社 | Bus type LAN for real-time communication |
| KR100233091B1 (en) * | 1997-10-23 | 1999-12-01 | 윤종용 | Atm traffic control apparatus and method |
| KR101165046B1 (en) * | 2010-09-13 | 2012-07-13 | 주식회사 만도 | Controller area network-bus controlling module and the controlling mehod therof |
-
2015
- 2015-08-21 KR KR1020150118187A patent/KR102423251B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015102579A1 (en) * | 2013-12-30 | 2015-07-09 | Schneider Electric It Corporation | System and method for automatically selecting baud rate in a can network |
Non-Patent Citations (2)
| Title |
|---|
| B. Alkan, Controller area network response time analysis and scheduling for advanced topics: offsets, FIFO queues and gateways, Master's thesis, Middle East Technical University(2015.) |
| V. Celik, Development of strategies for reducing the worst-case message response times on the Controller Area Network, Master's thesis, Middle East Technical University(2012.) |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20170023357A (en) | 2017-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106660560B (en) | Vehicle control system for autonomous guidance of a vehicle | |
| EP2390857B1 (en) | Row-running control system and vehicle | |
| JP7008687B2 (en) | Control device and control system | |
| US11242066B2 (en) | Vehicle control apparatus and vehicle control system and vehicle control method thereof | |
| US20120136510A1 (en) | Apparatus and method for detecting vehicles using laser scanner sensors | |
| EP3577528B1 (en) | Enabling remote control of a vehicle | |
| JP2008110620A (en) | Vehicle running control unit | |
| CN109298713B (en) | Instruction sending method, device and system and automatic driving vehicle | |
| KR102227845B1 (en) | System and method for controlling group driving based on v2v and das sensor | |
| JP2011186953A (en) | Vehicle group travel control device | |
| EP3915851B1 (en) | System and method for estimating take-over time | |
| KR102423251B1 (en) | System for optimizing transmission time of network using neural network learning | |
| JP5494411B2 (en) | Driving support device | |
| JP7355698B2 (en) | Traffic management device, traffic management method, and transportation system | |
| US20210125496A1 (en) | Teleoperated driving of a vehicle | |
| WO2021037237A1 (en) | Railway vehicle and control method and system therefor, and train control and management system | |
| US20220177004A1 (en) | Method for driving a motor vehicle in an at least semiautomated manner | |
| JP2019021013A (en) | Vehicle control system | |
| JP2013154813A (en) | Driving support device | |
| US20220292985A1 (en) | Method for opearting a transportation system | |
| US20240010243A1 (en) | Device for infrastructure-supported assistance of a motor vehicle | |
| KR20160050441A (en) | Smart cruise control apparatus of vehicle and the method | |
| JP2015012676A (en) | Automatic train operation device | |
| KR20160124527A (en) | Apparatus and method for controlling clutch | |
| CN109286435A (en) | Data transmission method, apparatus and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |