KR102521839B1 - 이동체의 동작에 따른 위험발생 감지방법, 장치 및 컴퓨터프로그램 - Google Patents

Abstract

이동체의 동작에 따른 위험발생 감지방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 이동체의 동작에 따른 위험발생 감지방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 상기 이동체에 대한 관성 데이터를 수집하는 단계, 상기 수집된 관성 데이터를 이용하여 상기 이동체의 동작을 판단하는 단계 및 상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생을 감지하는 단계를 포함한다.

Description

이동체의 동작에 따른 위험발생 감지방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR DETECTING THE OCCURRENCE OF DANGER ACCORDING TO THE MOTION OF A MOVING OBJECT}

본 발명의 다양한 실시예는 이동체의 동작에 따른 위험발생 감지방법, 장치 및 컴퓨터프로그램에 관한 것으로, 보다 구체적으로, 이동체의 움직임 및 자세에 따라 이동체에 대한 발생되는 위험을 감지할 수 있는 이동체의 동작에 따른 위험발생 감지방법, 장치 및 컴퓨터프로그램에 관한 것이다.

최근 정보 통신 기술의 발달과 함께, 농업 분야에서 정보 통신 기술이 접목된 고도화된 농업 기술들이 등장하였다. 예를 들어 실내 수직형 농장이나 스마트 축사와 같은 스마트팜과 농산물 생산 관리의 효율을 최적화하는 정밀 농업이 있다.

그러나, 대부분의 정보 통신 기술이 접목된 농업 분야는 농산물을 생산하고 관리하는데 그치고 있으며, 농업을 영위하는데 이용되는 차량용 농기계를 관리하는 것에 대해서는 아직까지 정보 통신 기술을 접목시킨 적절한 기술이 제시되지 못하고 있다.

한편, 최근에는 도시로부터 접근성이 좋은 도시형 농장이 등장하고 있으나, 아직까지는 대부분의 농장이 도시로부터 멀리 떨어진 지역이나 낙후된 지역에 위치하고 있다. 이러한 지역의 경우 비포장 도로나 나대지가 많이 존재하기 때문에 차량용 농기계의 사고 위험이 도시보다 상대적으로 클 수밖에 없다.

실제로, 매년 지속적으로 꾸준히 증가하고 있는 전국 농업현장의 사고는 농업인구의 고령화와 더불어 농업기계 조작 미숙 및 부주의, 음주 또는 단독운행 등 다양한 원인에 의해 빈번하게 발생되고 있으며, 지난 2016년~2018년(3년간) 농기계 사고 422건 중 전도전복 사고는 255건으로 무려 60.4%에 달하며, 전체 사망자 165명 중 전도전복 사고 사망자는 102명으로 약 61.8%에 해당한다.

특히, 농기계 전도전복 사고는 단독운행 중에 발생하는 경우가 많으므로, 농기계 사고가 발생한 경우 직접 사고 신고를 해야 하며, 운전자가 다친 경우, 주변 목격자가 나타날 때까지 방치되어 위험한 상황이 발생될 수 있다는 문제가 있다.

이러한 문제를 해소하기 위해, 블랙박스 등과 같이 농기계를 관리할 수 있는 장치가 제안되고 있으나, 이는 사고 발생 이후 또는 사고 당시의 데이터를 기록하는 것에 지나지 않는다. 즉, 사고가 발생하기 전 사전에 사고를 예방하거나 경고함으로써 사고 발생되는 것을 방지하거나 또는 사고 발생 시 빠른 대응을 하기 어렵다는 문제가 있다.

본 발명이 해결하고자 하는 과제는 이동체에 설치되는 통합 모니터링 모듈을 이용하여 수집된 이동체에 대한 센서 데이터를 이용하여 이동체의 동작을 판단하고, 이에 따라 이동체에 대한 위험발생 가능성을 판단하거나 위험발생 여부를 판단함으로써, 이동체에 대한 위험 발생을 예방할 수 있을 뿐만 아니라, 이동체에 대한 위험 발생 시 빠른 대처가 가능한 환경을 구축할 수 있는 이동체의 동작에 따른 위험발생 감지방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 이동체의 동작에 따른 위험발생 감지방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 상기 이동체에 대한 관성 데이터를 수집하는 단계, 상기 수집된 관성 데이터를 이용하여 상기 이동체의 동작을 판단하는 단계 및 상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생을 감지하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 수집된 관성 데이터는, 자이로 센서, 가속도 센서 및 지자기 센서를 포함하는 상기 관성 측정 센서를 통해 수집되는 XYZ축 각속도 값, XYZ축 가속도 값 및 XYZ축 지자기 값을 포함하는 9 자유도 값을 포함하며, 상기 이동체의 동작을 판단하는 단계는, 상기 이동체에 대한 9 자유도 값을 이용하여 상기 이동체에 대한 오일러 각도(Euler Angle)와 쿼터니언(Quaternion)을 산출하고, 상기 산출된 오일러 각도 및 상기 산출된 쿼터니언을 이용하여 상기 이동체의 상태로서 상기 이동체에 대한 자세를 판단하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 자세를 판단하는 단계는, 상기 이동체가 복수의 바퀴를 포함하는 경우, 상기 복수의 바퀴 각각을 중심으로 상기 이동체에 대응하는 XY평면을 복수의 영역으로 분할하고, 상기 이동체에 대한 9 자유도 값을 이용하여 상기 이동체의 중심점과 상기 복수의 바퀴 각각에 대한 기울기를 산출하며, 상기 산출된 기울기를 이용하여 상기 분할된 복수의 영역 각각으로의 쏠림 정도를 산출하는 단계를 포함하며, 상기 이동체에 대한 위험발생을 감지하는 단계는, 상기 산출된 쏠림 정도에 기초하여, 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 자세를 판단하는 단계는, 소정의 기간 동안 수집된 상기 이동체의 위치 정보를 이용하여 상기 이동체의 진행 방향을 결정하고, 상기 이동체에 대한 9 자유도 값을 이용하여 상기 결정된 진행 방향에 대응하는 각도를 산출하는 단계를 포함하며, 상기 이동체에 대한 위험발생을 감지하는 단계는, 상기 산출된 각도에 기초하여 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 위험발생을 감지하는 단계는, 상기 판단된 이동체에 대한 자세에 기초하여 상기 이동체에 대한 사고 발생 여부를 감지하되, 소정의 기간 동안 수집된 상기 이동체에 대한 9 자유도 값의 변화 패턴에 기초하여 상기 이동체에 대하여 발생된 사고의 종류를 판단하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 위험발생을 감지하는 단계는, 상기 판단된 이동체의 동작과 기 설정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되, 상기 이동체가 위치하는 지점에 대한 지리적 특성 정보에 기초하여 상기 기 설정된 위험 판단 기준을 보정하고, 상기 보정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 분류하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 위험발생을 감지하는 단계는, 상기 판단된 이동체의 동작과 기 설정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되, 상기 이동체에 대한 물품 적재 여부 및 물품의 적재량에 기초하여 상기 기 설정된 위험 판단 기준을 보정하고, 상기 보정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 분류하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 위험발생을 감지하는 단계는, 제1 이동체의 동작에 기초하여 상기 제1 이동체에 대한 위험발생을 감지하되, 복수의 제2 이동체 중 상기 제1 이동체의 속성과의 유사도가 기 설정된 값 이상인 적어도 하나의 제2 이동체를 선택하고, 상기 선택된 적어도 하나의 제2 이동체에 대한 위험발생이 감지됐을 때의 관성 데이터를 이용하여 위험 판단 기준을 설정하며, 상기 설정된 위험 판단 기준과 상기 제1 이동체의 동작에 기초하여 상기 제1 이동체에 대한 위험발생을 감지하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 위험발생을 감지하는 단계는, 제1 지점에 위치하는 이동체의 동작에 기초하여 상기 제1 지점에 위치하는 이동체에 대한 위험발생이 감지되는 경우, 상기 제1 지점에 위치하는 이동체에 탑승한 탑승자에게 상기 감지된 위험발생에 따른 경고 알림을 제공하되, 상기 제1 지점에서의 복수의 이동체에 대한 주행 이력 데이터 및 사고 이력 데이터 중 적어도 하나에 기초하여 상기 제1 지점에 대한 경고 알림 속성 - 상기 경고 알림 속성은 경고 알림의 종류, 제공방법, 크기 및 횟수를 포함함 - 을 결정하고, 상기 결정된 경고 알림 속성에 기초하여 상기 제1 지점에 위치하는 이동체에 탑승한 탑승자에게 상기 감지된 위험발생에 따른 경고 알림을 제공하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 이동체에 대한 위험발생을 감지하는 단계는, 상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생이 감지되는 경우, 상기 감지된 위험발생에 관한 정보를 상기 이동체에 대한 위험발생을 모니터링하는 관제 서버로 제공하되, 상기 이동체에 탑승한 탑승자에게 상기 감지된 위험발생에 따른 경고 알림을 제공하고, 상기 제공된 경고 알림에 대응하는 상기 탑승자의 피드백에 기초하여 상기 감지된 위험발생에 관한 정보를 상기 관제 서버로 제공할지 여부를 결정하는 단계를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 이동체의 동작에 따른 위험발생 감지장치는 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 상기 이동체에 대한 관성 데이터를 수집하는 인스트럭션(instruction), 상기 수집된 관성 데이터를 이용하여 상기 이동체의 동작을 판단하는 인스트럭션 및 상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생을 감지하는 인스트럭션을 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은 컴퓨팅 장치와 결합되어, 이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 상기 이동체에 대한 관성 데이터를 수집하는 단계, 상기 수집된 관성 데이터를 이용하여 상기 이동체의 동작을 판단하는 단계 및 상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생을 감지하는 단계를 포함하는 이동체의 동작에 따른 위험발생 감지방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장될 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 다양한 실시예에 따르면, 이동체에 설치되는 통합 모니터링 모듈을 이용하여 수집된 이동체에 대한 센서 데이터를 이용하여 이동체의 동작을 판단하고, 이에 따라 이동체에 대한 위험발생 가능성을 판단하거나 위험발생 여부를 판단함으로써, 이동체에 대한 위험 발생을 예방할 수 있을 뿐만 아니라, 이동체에 대한 위험 발생 시 빠른 대처가 가능한 환경을 구축할 수 있다는 이점이 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 이동체의 동작에 따른 위험발생 감지 시스템을 도시한 도면이다.
도 2는 다양한 실시예에서, 이동체에 설치되는 통합 모니터링 모듈의 구성을 도시한 도면이다.
도 3은 다양한 실시예에서, 하나의 모듈로 패키징된 통합 모니터링 모듈을 도시한 도면이다.
도 4는 다양한 실시예에서, 통합 모니터링 모듈이 이동체에 설치된 형태를 예시적으로 도시한 도면이다.
도 5는 다양한 실시예에서, 통합 모니터링 모듈에 포함된 경고 알림 출력 모듈을 도시한 도면이다.
도 6은 다양한 실시예에서, 통합 모니터링 모듈의 동작을 제어하는 컴퓨팅 장치의 하드웨어 구성을 도시한 도면이다.
도 7은 본 발명의 다른 실시예에 따른 이동체의 동작에 따른 위험발생 감지 방법의 순서도이다.
도 8은 다양한 실시예에 적용 가능한 매드윅 필터(Madgwick Filter) 알고리즘을 예시적으로 도시한 도면이다.
도 9는 다양한 실시예에서, 이동체에 대한 쏠림 정도를 산출하는 과정을 설명하기 위한 도면이다.
도 10 내지 도 12는 다양한 실시예에서, 사고의 종류별 센서 데이터 그래프를 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

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 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 발명의 일 실시예에 따른 이동체의 동작에 따른 위험발생 감지 시스템을 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 이동체의 동작에 따른 위험발생 감지 시스템은 통합 모니터링 모듈(100), 사용자 단말(200), 관제 서버(300) 및 네트워크(400)를 포함할 수 있다.

여기서, 도 1에 도시된 이동체의 동작에 따른 위험발생 감지 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.

일 실시예에서, 통합 모니터링 모듈(100)은 이동체(10)의 적어도 일부분에 구비, 설치될 수 있으며, 이동체(10)에 대한 센서데이터를 수집하고, 수집된 센서 데이터를 기반으로 이동체(10)의 동작 및 자세를 판단하며, 판단된 이동체(10)의 동작 및 자세에 기초하여 이동체(10)의 위험발생을 감지하는 위험발생 감지 프로세스를 수행할 수 있다. 이를 위해, 통합 모니터링 모듈(100)은 도 2에 도시된 바와 같이, 컴퓨팅 장치(110), 센서 모듈(120), 전력원(130), 통신 모듈(140) 및 경고 알림 출력 모듈(150)을 포함할 수 있다. 그러나, 이에 한정되지 않는다.

여기서, 통합 모니터링 모듈(100)은 이동체(10)에 대한 설치와 관리의 편의성을 고려하여, 도 3에 도시된 바와 같이 통합 모니터링 모듈(100)에 포함된 구성 요소들이 하나의 모듈로 패키징될 수 있고, 도 4에 도시된 바와 같이 이동체(10)의 임의의 위치에 설치될 수 있으나, 이에 한정되지 않는다.

보다 구체적으로, 도 2를 참조하면, 먼저, 컴퓨팅 장치(110)는 이동체(10)에 대한 센서 데이터를 이용하여 이동체(10)에 대한 상태를 판단하고, 판단된 상태에 기초하여, 이동체(10)에 대한 위험발생을 감지하는 위험발생 감지 프로세스를 수행할 수 있다. 예컨대, 컴퓨팅 장치(110)는 마이크로 컨트롤러 유닛(Micro Controller Unit, MCU)일 수 있으나, 이에 한정되지 않는다.

여기서, 이동체(10)에 대한 센서 데이터는 후술되는 센서 모듈(120)을 통해 측정되는 데이터로서, 예컨대, 이동체(10)에 대한 관성 데이터, 위치 데이터, 온도 데이터, 습도 데이터 및 이미지 데이터를 포함할 수 있으나, 이에 한정되지 않는다.

또한, 여기서, 컴퓨팅 장치(110)에 의해 판단되는 이동체(10)의 상태는 관성 데이터를 기반으로 판단되는 이동체(10)의 동작(예컨대, 이동체(10)의 움직임, 자세, 이동 속도 및 위치 등)을 포함할 수 있으나, 이에 한정되지 않고, 이동체(10)의 상태는 이동체(10)에 대한 위험발생을 감지하기 위해 고려될 수 있는 어떠한 상태든 적용이 가능하다.

또한, 여기서, 컴퓨팅 장치(110)는 통합 모니터링 모듈(100) 내에 구비되며, 통합 모니터링 모듈(100)에 포함된 센서 모듈(120)을 통해 측정되는 센서 데이터를 수집하여 이동체(10)에 대한 위험발생을 실시간으로 감지하는 것으로 설명하고 있으나, 이에 한정되지 않고, 컴퓨팅 장치(110)는 통합 모니터링 모듈(100)의 외부에 독립적으로 구비될 수 있으며, 통합 모니터링 모듈(100)과 네트워크(400)를 통해 연결되어 센서 데이터를 수집할 수 있으며, 통합 모니터링 모듈(100)의 외부에서 센서 데이터 기반의 이동체(10)의 위험발생 감지 동작을 수행하는 형태로 구현될 수 있다.

상술된 바와 같이, 컴퓨팅 장치(110)가 통합 모니터링 모듈(100)의 외부에 구비되는 경우, 컴퓨팅 장치(110)은 소정의 영역 내에 위치하는 복수의 이동체(10) 각각에 설치되는 복수의 통합 모니터링 모듈(100)로부터 센서 데이터를 수집하여 복수의 이동체(10) 각각에 대한 위험발생 감지 동작을 수행할 수 있다.

또한, 여기서, 컴퓨팅 장치(110)가 통합 모니터링 모듈(100)에 포함되어 이동체(10)에 대한 위험발생 감지 프로세스를 수행하는 것으로 설명하고 있으나, 이에 한정되지 않고, 통합 모니터링 모듈(100)은 별도의 컴퓨팅 장치(110)를 구비하지 않고, 후술되는 관제 서버(300)로 센서 데이터를 제공하고, 관제 서버(300)에서 이동체(10)에 대한 위험발생 감지 동작 수행하는 형태로 구현될 수 있다. 여기서, 이동체(10)에 대한 위험발생 감지 동작을 수행하는 컴퓨팅 장치(110)의 하드웨어 구성에 대해서는 도 6을 참조하여 후술하도록 한다.

다양한 실시예에서, 통합 모니터링 모듈(100)은 복수의 컴퓨팅 장치(110)를 포함할 수 있고, 복수의 컴퓨팅 장치(110)를 통해 이동체(10)에 대한 위험발생 감지 동작을 개별적으로 수행할 수 있으며, 복수의 컴퓨팅 장치(110)가 이동체(10)에 대한 위험발생 감지 동작을 개별적으로 수행함에 따라 추출되는 복수의 결과 데이터를 취합(예컨대, Hard voting 또는 Soft voting)하여 최종적으로 이동체(10)에 대한 위험발생을 감지할 수 있다. 예컨대, hard voting 방식을 기반으로 복수의 결과 데이터를 취합함으로써 이동체(10)에 대한 위험발생 여부를 판단할 수 있고, soft voting 방식을 기반으로 복수의 결과 데이터를 취합함으로써 이동체(10)에 대한 위험발생 가능성을 산출할 수 있다. 그러나, 이에 한정되지 않는다.

다음으로, 센서 모듈(120)은 이동체(10)에 대한 센서 데이터를 수집할 수 있다. 이를 위해, 센서 모듈(120)은 관성 측정 센서(121), 위치 센서(122), 온/습도 센서(123) 및 카메라 센서(124)를 포함할 수 있으나, 이에 한정되지 않는다.

여기서, 센서 모듈(120)에 포함된 복수의 센서들은 하나의 세트로 패키징되어 설치될 수 있다. 이때, 이동체(10)의 종류에 따라 복수의 센서들 중 적어도 하나의 센서만을 선택적으로 패키징할 수 있으나, 이에 한정되지 않는다.

관성 측정 센서(121)는 이동체(10)에 대한 관성 데이터를 생성할 수 있다. 예컨대, 관성 측정 센서(121)는 자이로 센서(121A), 가속도 센서(121B) 및 지자기 센서(121C)를 포함하는 9축 관성 측정 센서일 수 있으며, 자이로 센서(121A), 가속도 센서(121B) 및 지자기 센서(121C)를 이용하여 이동체(10)에 대한 관성 데이터를 측정할 수 있다.

여기서, 이동체(10)에 대한 관성 데이터는 9축 관성 측정 센서를 통해 측정되는 9 자유도 값일 수 있다. 예컨대, 이동체(10)에 대한 관성 데이터는 자이로 센서(121A)를 이용하여 측정되는 3축(XYZ축) 각속도 값, 가속도 센서(121B)를 이용하여 측정되는 3축(XYZ축) 가속도 값 및 지자기 센서(121C)를 이용하여 측정되는 3축(XYZ축) 지자기 값을 포함할 수 있으나, 이에 한정되지 않고, 9 자유도 값을 가공함에 따라 생성되는 값(예컨대, XYZ축 각속도를 적분함에 따라 획득되는 각도 값, XYZ축 가속도를 적분함에 따라 획득되는 속도 값, XYZ축 속도 값을 적분함에 따라 획득되는 위치 변화량 등)을 더 포함할 수 있다.

위치 센서(122)는 이동체(10)의 위치 데이터를 생성할 수 있다. 예컨대, 위치 센서(122)는 GPS 센서일 수 있으며, GPS 센서를 통해 이동체(10)에 대한 위치 좌표를 측정함으로써, 위치 좌표에 관한 정보를 포함하는 위치 데이터를 생성할 수 있으나, 이에 한정되지 않는다.

여기서, 위치 센서(122)가 통합 모니터링 모듈(100)에 포함되어 이동체(10)에 대한 위치 데이터를 생성하는 것으로 설명하고 있으나, 이에 한정되지 않고, 통합 모니터링 모듈(100)은 별도의 위치 센서(122)를 구비하지 않고, 네트워크(400)를 통해 이동체(10)에 탑승한 탑승자의 사용자 단말(200)과 연결될 수 있으며, 사용자 단말(200)에 구비된 위치 센서(예: GPS)를 통해 생성되는 위치 데이터를 수집하는 형태로 구현될 수 있다.

온/습도 센서(123)는 이동체(10) 또는 이동체(10) 주변 환경에 대한 온도와 습도 데이터를 측정할 수 있다.

카메라 센서(124)는 이동체(10) 또는 이동체(10)의 진행 방향을 촬영함으로써, 이동체(10) 또는 이동체(10)의 진행 방향에 대한 이미지 데이터를 생성할 수 있다. 예컨대, 카메라 센서(124)는 이동체(10)에 설치되는 블랙박스일 수 있으나, 이에 한정되지 않고, 통합 모니터링 모듈(100)은 별도의 카메라 센서(124)를 구비하지 않고, 이동체(10)에 탑승한 탑승자의 사용자 단말(200)에 구비되는 카메라 모듈을 이용하여 이동체(10) 또는 이동체(10)의 진행 방향을 촬영함으로써 이동체(10) 또는 이동체(10)의 진행 방향에 대한 이미지 데이터를 생성할 수 있다.

다음으로, 전력원(130)은 통합 모니터링 모듈(100)에 포함된 구성 요소들(예컨대, 컴퓨팅 장치(110), 센서 모듈(120) 및 통신 모듈(140))의 구동을 위한 전력을 공급할 수 있다. 예컨대, 전력원(130)은 통합 모니터링 모듈(100) 내부에 구비되는 배터리일 수 있으나, 이에 한정되지 않는다.

다음으로, 통신 모듈(140)은 네트워크(400)를 통해 통합 모니터링 모듈(100) 외부의 기기/장치(예컨대, 사용자 단말(200) 및 관제 서버(300) 등)와 연결될 수 있으며, 통합 모니터링 모듈(100)이 센서 데이터를 이용한 이동체의 상태 판단 프로세스를 수행함에 따라 생성되는 결과 데이터(예컨대, 이동체(10)의 상태에 관한 정보)를 외부의 기기/장치로 제공할 수 있다. 예컨대, 통신 모듈(140)은 LTE 모듈일 수 있으나, 이에 한정되지 않는다.

여기서, 사용자 단말(200)은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 내비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 태블릿 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으나, 이에 한정되지 않고, 이동체(10) 내에 구비되는 인포테인먼트 시스템일 수 있다.

또한, 여기서, 네트워크(400)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함할 수 있다.

또한, 여기서, 무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등을 포함할 수 있으나, 이에 한정되지는 않는다.

다음으로, 경고 알림 출력 모듈(150)은 이동체(10)에 위험발생이 감지되는 것에 응답하여 경고 알림을 출력할 수 있다.

예컨대, 통합 모니터링 모듈(100)에 포함된 컴퓨팅 장치(110)는 이동체(10)의 상태에 관한 정보에 기초하여, 이동체(10)에 대한 위험발생을 감지할 수 있으며, 이동체(10)에 대한 위험발생이 감지되는지 여부에 기초하여 이동체(10)에 위험이 발생될 가능성이 높거나 이동체(10)에 위험이 발생된 것으로 판단되는 경우, 경고 알림 출력 모듈(150)의 동작을 제어하는 제어명령을 출력하여 경고 알림이 출력되도록 할 수 있다. 여기서, 경고 알림 출력 모듈(150)은 도 7에 도시된 바와 같이, 경고등을 포함할 수 있으나, 이에 한정되지 않고, 경고 알림 출력 모듈(250)은 음성 형태의 경고 알림을 출력하기 위한 스피커를 더 포함할 수 있다. 또한, 통합 모니터링 모듈(100)은 별도의 경고 알림 출력 모듈(150)을 구비하지 않고, 이동체(10)에 대한 위험발생 판단 결과에 기초하여 이동체(10)에 위험이 발생될 가능성이 높거나 이동체(10)에 위험이 발생된 것으로 판단되는 경우, 이를 사용자 단말(200)로 제공하여 사용자 단말(200)을 통해 경고 알림이 출력되도록 구현될 수 있다.

여기서, 이동체(10)에 대한 위험발생을 감지하는 동작은 컴퓨팅 장치(110)에 의해 수행되는 것으로 설명하고 있으나, 이에 한정되지 않고, 관제 서버(300)가 컴퓨팅 장치(110)로부터 이동체(10)의 상태에 관한 정보를 수집하여 관제 서버(300)에서 이동체(10)에 대한 위험발생을 감지하는 동작을 수행하는 형태로 구현될 수 있다.

일 실시예에서, 관제 서버(300)는 네트워크(400)를 통해 통합 모니터링 모듈(100)과 연결될 수 있으며, 통합 모니터링 모듈(100)이 센서 데이터를 이용한 이동체의 상태 판단 프로세스를 수행함으로써 생성되는 결과 데이터(예컨대, 이동체(10)의 상태에 관한 정보 및 이동체(10)의 상태에 기초한 위험발생 감지 여부)를 수집할 수 있고, 수집된 결과 데이터를 기반으로 이동체(10)에 대한 위험발생 여부를 모니터링할 수 있다.

다양한 실시예에서, 관제 서버(300)는 소정의 지역 내에 위치하는 복수의 통합 모니터링 모듈(100)로부터 복수의 이동체(10)의 상태에 관한 정보 및 복수의 이동체(10)에 대한 위험발생 감지 여부를 수집할 수 있으며, 복수의 이동체(10)의 상태에 관한 정보 및 복수의 이동체(10)에 대한 위험발생 감지 여부를 이용하여 소정의 지역 내에 위치하는 복수의 이동체(10)에 대한 위험발생을 모니터링할 수 있다. 이하, 도 6을 참조하여, 통합 모니터링 모듈(100)에 포함되며, 이동체의 동작에 따른 위험발생 감지 프로세스를 수행하는 컴퓨팅 장치(110)의 하드웨어 구성에 대해 설명하도록 한다.

도 6은 다양한 실시예에서, 통합 모니터링 모듈의 동작을 제어하는 컴퓨팅 장치의 하드웨어 구성을 도시한 도면이다.

도 6을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(110)는 하나 이상의 프로세서(111), 프로세서(111)에 의하여 수행되는 컴퓨터 프로그램(115A)을 로드(Load)하는 메모리(112), 버스(113), 통신 인터페이스(114) 및 컴퓨터 프로그램(115A)을 저장하는 스토리지(115)를 포함할 수 있다. 여기서, 도 6에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 6에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(111)는 컴퓨팅 장치(110)의 각 구성의 전반적인 동작을 제어한다. 프로세서(111)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.

또한, 프로세서(111)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(110)는 하나 이상의 프로세서를 구비할 수 있다.

다양한 실시예에서, 프로세서(111)는 프로세서(111) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(111)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(112)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(112)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(115)로부터 컴퓨터 프로그램(115A)을 로드할 수 있다. 메모리(112)에 컴퓨터 프로그램(115A)이 로드되면, 프로세서(111)는 컴퓨터 프로그램(115A)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(112)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(113)는 컴퓨팅 장치(110)의 구성 요소 간 통신 기능을 제공한다. 버스(113)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(114)는 컴퓨팅 장치(110)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(114)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(114)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(114)는 생략될 수도 있다.

스토리지(115)는 컴퓨터 프로그램(115A)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(110)를 통해 이동체의 동작에 따른 위험발생 감지 프로세스를 수행하는 경우, 스토리지(115)는 이동체의 동작에 따른 위험발생 감지 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.

스토리지(115)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(115A)은 메모리(112)에 로드될 때 프로세서(111)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(111)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.

일 실시예에서, 컴퓨터 프로그램(115A)은 이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 이동체에 대한 관성 데이터를 수집하는 단계, 수집된 관성 데이터를 이용하여 이동체의 동작을 판단하는 단계 및 판단된 이동체의 동작에 기초하여 이동체에 대한 위험발생을 감지하는 단계를 포함하는 이동체의 동작에 따른 위험발생 감지방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 7 내지 12를 참조하여, 본 발명의 다양한 실시예에 따른 이동체의 동작에 따른 위험발생 감지방법에 대해 설명하도록 한다.

도 7은 본 발명의 다른 실시예에 따른 이동체의 동작에 따른 위험발생 감지 방법의 순서도이다.

도 7을 참조하면, S110 단계에서, 컴퓨팅 장치(110)는 이동체(10)에 대한 관성 데이터를 포함하는 센서 데이터를 수집할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)은 관성 측정 센서(121)를 통해 이동체(10)에 대한 관성 데이터를 수집할 수 있다.

보다 구체적으로, 컴퓨팅 장치(110)는 통합 모니터링 모듈(100)의 센서 모듈(120)에 포함된 복수의 센서 중 관성 측정 센서(121)를 제어하는 제어명령을 출력함으로써, 관성 측정 센서(121)에 포함된 자이로 센서(121A), 가속도 센서(121B) 및 지자기 센서(121C)가 동작하여 이동체(10)에 대한 관성 데이터를 측정하도록 할 수 있으며, 관성 측정 센서(121)가 측정한 이동체(10)의 관성 데이터를 수집할 수 있다.

여기서, 관성 측정 센서(121)로부터 수집된 이동체(10)의 관성 데이터는 XYZ축 각속도 값, XYZ축 가속도 값 및 XYZ축 지자기 값을 포함하는 9 자유도 값일 수 있으나, 이에 한정되지 않고, 9 자유도 값을 가공함에 따라 산출되는 관성 정보(예컨대, XYZ축 각속도를 적분함에 따라 획득되는 각도 데이터, XYZ축 가속도를 적분함에 따라 획득되는 속도 데이터, 속도 데이터를 적분함에 따라 획득되는 위치 데이터 등)를 더 포함할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 기 설정된 주기마다 센서 모듈(120)의 동작을 제어하는 제어명령을 출력함으로써, 기 설정된 주기마다 이동체(10)에 대한 관성 데이터를 포함하는 센서 데이터를 수집할 수 있다.

일례로, 컴퓨팅 장치(110)는 이동체(10)의 동작 개시를 감지할 수 있으며, 이동체(10)의 동작이 개시된 것으로 판단되는 경우, 이동체(10)의 동작이 개시된 시점부터 기 설정된 주기마다 센서 모듈(120)의 동작을 제어하는 제어명령을 출력함으로써, 이동체(10)의 동작이 개시된 시점부터 기 설정된 주기마다 이동체(10)에 대한 센서 데이터를 수집할 수 있다.

다른 예로, 컴퓨팅 장치(110)는 근거리 무선 통신(예컨대, 블루투스(BLE) 등)을 기반으로 사용자 단말(200)과 연결될 수 있고, 사용자 단말(200)로부터 수신되는 신호의 세기에 기초하여 사용자 단말(200)이 이동체(10)를 기준으로 소정의 범위 내에 진입하는 것을 인식할 수 있으며, 사용자 단말(200)이 이동체(10)를 기준으로 소정의 범위 내에 진입한 것으로 판단된 기 설정된 주기마다 센서 모듈(120)의 동작을 제어하는 제어명령을 출력함으로써, 사용자 단말(200)이 이동체(10)를 기준으로 소정의 범위 내에 진입한 시점부터 기 설정된 주기마다 이동체(10)에 대한 센서 데이터를 수집할 수 있다.

여기서, 기 설정된 주기는 센서 모듈(120)이가 센서 데이터를 측정하는 주기로서, 사전에 정의되는 값일 수 있으나, 이에 한정되지 않는다. 또한, 여기서, 기 설정된 주기(센서 데이터 측정 및 수집 주기)는 센서 모듈(120)에 포함된 복수의 센서마다 개별적으로 설정될 수 있다. 예컨대, 자이로 센서(121A)를 통해 이동체(10)에 대한 각속도 값을 측정하는 주기는 지자기 센서(121C)를 통해 이동체(10)에 대한 지자기 값을 측정하는 주기보다 짧게 설정될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(110)는 기 설정된 주기마다 이동체(10)에 대한 센서 데이터를 수집하되, 이동체(10)에 상태, 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보, 이동체(10)의 사용량, 이동체(10)가 위치하는 지점의 날씨 정보 중 어느 하나에 기초하여 기 설정된 주기를 보정할 수 있다.

일례로, 컴퓨팅 장치(110)는 기 설정된 제1 주기마다 이동체(10)에 대한 관성 데이터를 수집하되, 후술되는 S120 단계를 거쳐 판단된 이동체(10)의 진행 방향에 대응하는 각도가 제1 크기 미만인 경우 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하고, 이동체(10)의 진행 방향에 대응하는 각도가 제1 크기 이상 제2 크기 미만인 경우, 제1 주기보다 짧은 제2 주기마다 이동체(10)에 대한 센서 데이터를 수집하며, 이동체(10)의 진행 방향에 대응하는 각도가 제2 크기 이상인 경우 제2 주기보다 짧은 제3 주기마다 이동체(10)에 대한 센서 데이터를 수집하도록 구현될 수 있다.

다른 예로, 컴퓨팅 장치(110)는 기 설정된 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하되, 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보에 기초하여 이동체(10)가 포장 도로를 주행하고 있는 것으로 판단되는 경우 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하고, 이동체(10)가 비포장 도로를 주행하고 있는 것으로 판단되는 경우 제1 주기보다 짧은 제2 주기마다 이동체(10)에 대한 센서 데이터를 수집하도록 구현될 수 있다.

또한, 컴퓨팅 장치(110)는 기 설정된 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하되, 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보에 기초하여 이동체(10)가 소정의 각도를 가지는 경사로를 주행하는 것으로 판단될 때, 이동체(10)가 주행하고 있는 경사로의 각도가 제1 각도 미만인 경우 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하고, 경사로의 각도가 제1 각도 이상 제2 각도 미만인 경우 제1 주기보다 짧은 제2 주기마다 이동체(10)에 대한 센서 데이터를 수집하며, 경사로의 각도가 제2 크기 이상인 경우 제2 주기보다 짧은 제3 주기마다 이동체(10)에 대한 센서 데이터를 수집하도록 구현될 수 있다.

또 다른 예로, 컴퓨팅 장치(110)는 기 설정된 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하되, 소정의 기간 동안의 이동체(10) 사용 이력에 기초하여 이동체(10)의 사용량이 기 설정된 사용량 미만인 경우 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하고, 이동체(10)의 사용량이 기 설정된 사용량 이상인 경우 제1 주기보다 짧은 제2 주기마다 이동체(10)에 대한 센서 데이터를 수집하도록 구현될 수 있다.

또 다른 예로, 컴퓨팅 장치(110)는 기 설정된 제1 주기마다 이동체(10)에 대한 센서 데이터를 수집하되, 이동체(10)가 위치하는 지점에 비가 오는 것으로 판단되는 경우, 제1 주기보다 짧은 제2 주기마다 이동체(10)에 대한 센서 데이터를 수집하도록 구현될 수 있다. 그러나, 이에 한정되지 않는다.

이 밖에도, 컴퓨팅 장치(110)는 이동체(10)에 탑승한 탑승자의 성별, 나이 및 경력을 고려하여 기 설정된 주기를 보정(예컨대, 탑승자의 나이가 고령일 경우, 센서 데이터 수집 주기를 짧게 보정하거나 탑승자의 경력이 적을 경우 센서 데이터 수집 주기를 짧게 보정하는 등)할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 기 설정된 주기마다 이동체(10)에 대한 센서 데이터를 수집하되, 이동체(10)의 상태, 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보, 이동체(10)의 사용량, 이동체(10)가 위치하는 지점의 날씨 정보 중 둘 이상에 기초하여 기 설정된 주기를 보정할 수 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(110)는 이동체(10)의 상태, 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보, 이동체(10)의 사용량, 이동체(10)가 위치하는 지점의 날씨 정보 각각에 대응하는 가중치를 설정할 수 있다. 예컨대, 컴퓨팅 장치(110)는 이동체(10)의 상태에 기초하여 제1 가중치를 설정하고, 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보에 기초하여 제2 가중치를 설정하며, 이동체(10)의 사용량에 기초하여 제3 가중치를 설정하고, 이동체(10)가 위치하는 지점의 날씨 정보에 기초하여 제4 가중치를 설정할 수 있다.

이후, 컴퓨팅 장치(11)는 가중치를 이용하여 기 설정된 주기를 보정할 수 있다. 예컨대, 컴퓨팅 장치(110)는 상술된 바와 같이 제1 내지 제4 가중치가 설정된 경우, 기 설정된 주기에 제1 내지 제4 가중치를 부여함으로써 기 설정된 주기를 보정할 수 있다.

S120 단계에서, 컴퓨팅 장치(110)는 S110 단계를 거쳐 수집된 이동체(10)의 관성 데이터를 이용하여, 이동체(10)의 상태로서, 이동체(10)의 동작을 판단할 수 있다. 여기서, 이동체(10)의 동작은 이동체의 움직임 및 자세를 포함할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)에 대한 9 자유도 값을 기반으로, 이동체(10)에 대한 오일러 각도(Euler Angle)와 쿼터니언(Quaternion)을 산출하고, 오일러 각도 및 쿼터니언을 이용하여 이동체(10)의 상태로서 이동체(10)에 대한 자세를 판단할 수 있다.

여기서, 이동체(10)에 대한 관성 데이터(9 자유도 값)을 기반으로, 이동체(10)에 대한 오일러 각도와 쿼터니언을 산출하는 방법 및 오일러 각도와 쿼터니언을 기반으로 이동체(10)의 자세를 추정 및 판단하는 방법에 대해서는 다양한 기술들이 공지되어 있고, 이러한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 이동체(10)에 대한 오일러 각도와 쿼터니언을 산출하는 구체적인 방법 및 오일러 각도와 쿼터니언을 기반으로 이동체(10)의 자세를 추정 및 판단하는 구체적인 방법에 대해서 한정하지 않는다.

오일러 각도와 쿼터니언을 기반으로 이동체(10)의 자세를 판단하는 방식은 고정된 프레임을 기준으로 Z-Y-X 축의 고정된 각도를 구하는 것이 아니라, 고정된 프레임 없이 매 회전마다 변동되는 프레임을 기준으로 회전을 이어가면서 역으로 변동된 각도를 구하는 방식인 바, 이동체(10)의 전후좌우 방향의 구분없이 이동체(10)의 자세를 추정할 수 있는 방법이다. 따라서, 관성 측정 센서(121)를 포함하는 통합 모니터링 모듈(100)은 어떠한 위치에 어떠한 방향으로 설치하든 상관없이 이동체(10)의 자세를 판단할 수 있는 바, 통합 모니터링 모듈(100)의 설치 편의성과 자유도가 높아진다는 이점이 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)에 대한 관성 데이터인 9 자유도 값을 기반으로 이동체(10)의 자세를 판단하되, 매드윅 필터(Madgwick Filter) 알고리즘(예: 도 8)을 기반으로 이동체(10)에 대한 9 자유도 값을 보정함으로써, 이동체(10)에 대한 관성 데이터로부터 가속도 떨림과 같은 노이즈를 필터링할 수 있고, 보정된 9 자유도 값 즉, 노이즈가 필터링된 관성 데이터를 이용하여 이동체(10)에 대한 자세를 판단함으로써, 보다 정확한 결과를 도출할 수 있다는 이점이 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)가 복수의 바퀴를 포함하는 경우, 이동체(10)의 상태로서, 이동체(10)에 대한 특정 방향으로의 쏠림 정도를 산출할 수 있다.

통상적으로, 트랙터의 경우 앞바퀴가 뒷바퀴에 비해 작고, 차체가 높으며, 중량이 무겁기 때문에 높은 무게 중심점을 가지며, 이에 따라, 트랙터가 특정 방향으로 약간의 쏠림이 발생하더라도 쉽게 전도, 전복되거나 추락 사고가 발생할 수 있다는 문제가 있다.

이러한 점을 고려하여, 컴퓨팅 장치(110)는 트랙터에 대한 상태로서, 트랙터에 대한 특정 방향으로의 쏠림 정도를 판단할 수 있고, 이를 관제 서버(300)로 전달함으로써, 관제 서버(300)를 통해 트랙터에 대한 전도, 전복 및 추락 사고의 위험성과 위험발생 여부를 보다 정확하게 판단할 수 있는 환경을 구축할 수 있다.

보다 구체적으로, 도 9를 참조하면, 먼저, 컴퓨팅 장치(110)는 이동체(10)(예컨대, 트랙터)가 복수의 바퀴를 포함하는 경우, 복수의 바퀴 각각을 중심으로 이동체(10)에 대응하는 XY 평면(이동체(10)의 진행 방향과 수평인 평면)을 복수의 영역으로 분할할 수 있다. 예컨대, 컴퓨팅 장치(110)는 이동체(10)가 4개의 바퀴를 포함하는 경우, 4개의 바퀴 각각을 중심으로 이동체(10)에 대응하는 XY 평면을 4개의 영역으로 분할할 수 있다.

이후, 컴퓨팅 장치(110)는 이동체(10)의 무게 중심점과 복수의 바퀴 각각의 기울기를 산출할 수 있으며, 산출된 기울기를 이용하여 복수의 영역 각각으로의 쏠림 정도를 산출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 상태로서, 이동체(10)의 진행 방향에 대응하는 각도를 산출할 수 있다.

통상적으로, 이동체(10)의 운행 안정도를 평가함에 있어서, 이동체(10)의 진행 방향에 대응하는 각도가 가장 중요한 파라미터로 작용될 수 있으며, 특히, 트랙터의 경우, 일반적인 차량과는 다르게 진행 방향에 대응하는 각도와 트랙터에 대한 전도, 전복 및 추락 사고가 높은 관련성을 가진다.

이러한 점을 고려하여, 컴퓨팅 장치(110)는 이동체(10)가 트랙터인 경우, 트랙터의 진행 방향에 대한 각도를 산출하고, 이를 관제 서버(300)로 전달함으로써, 관제 서버(300)를 통해 트랙터에 대한 전도, 전복 및 추락 사고의 위험성과 위험발생 여부를 보다 정확하게 판단할 수 있는 환경을 구축할 수 있을 뿐만 아니라, 트랙터에 대한 상태로서 트랙터의 자세를 판단하지 않고 진행 방향에 대한 각도만을 산출함으로써, 시스템을 경량화하고 시스템의 응답 속도를 향상시킬 수 있다는 이점이 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(110)는 이동체(10)의 진행 방향을 결정할 수 있다.

일례로, 컴퓨팅 장치(110)는 소정의 기간 동안 이동체(10)의 위치 데이터를 수집할 수 있고, 소정의 기간 동안 수집된 위치 데이터를 이용하여 이동체(10)의 진행 방향을 결정할 수 있다.

다른 예로, 컴퓨팅 장치(110)는 소정의 기간 동안 이동체(10)의 관성 데이터인 9 자유도 값을 수집할 수 있고, 소정의 기간 동안 수집된 9 자유도 값을 이용하여 이동체(10)의 진행 방향을 결정할 수 있다. 예컨대, 컴퓨팅 장치(110)는 소정의 기간 동안 수집된 3축(XYZ축) 가속도 값을 적분하여 3축 방향으로의 속도 값을 획득할 수 있고, 3축 방향으로의 속도 값을 적분하여 3축 방향으로의 위치 변화량을 획득할 수 있으며, 3축 방향으로의 위치 변화량에 기초하여 가장 큰 위치 변화량을 가지는 방향을 이동체(10)의 진행 방향으로 결정할 수 있다.

이후, 컴퓨팅 장치(110)는 이동체(10)에 대한 9 자유도 값을 이용하여, 이동체(10)의 진행 방향에 대응하는 각도를 산출할 수 있다. 예컨대, 컴퓨팅 장치(110)는 이동체(10)의 진행방향이 X축 방향인 것으로 판단되는 경우, 9 자유도 값 중 X축 각속도 값을 이용하여 X축 방향으로의 각도를 산출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 통합 모니터링 모듈(100)이 이동체(10) 상에 설치된 위치에 기초하여, 이동체(10)에 대한 9 자유도 값을 보정할 수 있고, 보정된 9 자유도 값을 이용하여 이동체(10)에 대한 자세를 판단할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보에 기초하여 이동체(10)에 대한 9 자유도 값을 보정할 수 있고, 보정된 9 자유도 값을 이용하여 이동체(10)에 대한 자세를 판단할 수 있다.

통상적으로, 이동체(10)가 비포장 도로를 주행할 경우, 포장 도로 대비 노면의 상태가 고르지 못하기 때문에, 운행 중 잦은 진동이 발생될 수 있으며, 이에 따라 이동체(10)가 안정적으로 운행하더라도 이동체(10)에 대한 9 자유도 값이 짧은 시간 동안 급격하게 변동될 수 있다.

이러한 점을 고려하여, 컴퓨팅 장치(110)는 이동체(10)가 위치하는 지점에 관한 지리적 특성 정보로서, 이동체(10)가 위치하는 지점이 포장 도로인지 또는 비포장 도로인지를 추출할 수 있고, 이동체(10)가 위치하는 지점이 비포장 도로인 것으로 판단되는 경우 이동체(10)에 대한 9 자유도 값으로부터 노면의 상태로 인해 발생되는 노이즈를 필터링하는 보정을 수행할 수 있으며, 이를 기반으로 이동체(10)의 자세를 판단함으로써, 노면의 상태로 인해 발생되는 오류, 왜곡 등과 같은 노이즈로 인해 이동체(10)의 자세가 잘못 판단되는 것을 방지할 수 있다.

또한, 이동체(10)가 소정의 각도를 가지는 경사로를 주행할 경우, 경사로의 각도에 따라 이동체(10)의 자세가 기울어진 것으로 판단되거나 특정 방향으로 쏠린 것으로 판단될 수 있으며, 경우에 따라 이동체(10)가 주행하는 경사로의 각도가 클 경우, 이동체(10)가 전도, 전복 또는 추락된 것으로 잘못 판단될 여지가 있다.

이러한 점을 고려하여, 컴퓨팅 장치(110)는 이동체(10)가 위치하는 지점에 관한 지리적 특성 정보로서, 이동체(10)가 위치하는 지점이 경사로인지 여부와 경사로의 각도 정보를 추출할 수 있고, 이를 기반으로 이동체(10)에 대한 9 자유도 값을 보정하여 이동체(10)에 대한 자세를 판단함으로써, 경사로의 각도로 인해 이동체(10)가 전도, 전복 또는 추락된 것으로 잘못 판단되는 것을 방지할 수 있다.

여기서, 컴퓨팅 장치(110)는 기 저장된 지도 데이터를 기반으로 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보를 추출할 수 있으나, 이에 한정되지 않고, 센서 모듈(120)에 포함된 카메라 센서(125)를 통해 이동체(10)의 진행 방향을 촬영함에 따라 생성되는 이미지 데이터를 분석하여 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보에 대응하는 특징 값을 추출할 수 있다.

다양한 실시예에서, 다양한 실시예에서, 컴퓨팅 장치(110)는 지리적 특성 정보 및 이동체(10)의 자세가 레이블링된 관성 데이터(9 자유도 값)를 학습 데이터로 하여 학습시킴으로써, 지리적 특성 정보, 이동체(10)의 자세 및 관성 데이터 간의 관계 정보가 학습된 인공지능 모델을 생성할 수 있으며, 특정 지점에 위치하는 이동체(10)로부터 수집된 관성 데이터와 특정 지점에 대한 지리적 특성 정보를 인공지능 모델에 입력함으로써, 결과로서 이동체(10)의 자세를 추출할 수 있다.

인공지능 모델(예: 신경망)은 하나 이상의 네트워크 함수로 구성되며, 하나 이상의 네트워크 함수는 일반적으로 ‘노드’라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 ‘노드’들은 ‘뉴런(neuron)’들로 지칭될 수도 있다. 하나 이상의 네트워크 함수는 적어도 하나 이상의 노드들을 포함하여 구성된다. 하나 이상의 네트워크 함수를 구성하는 노드(또는 뉴런)들은 하나 이상의 ‘링크’에 의해 상호 연결될 수 있다.

인공지능 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 인공지능 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 인공지능 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 인공지능 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 인공지능 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 인공지능 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 인공지능 모델이 존재하는 경우, 두 개의 인공지능 모델들은 서로 상이한 것으로 인식될 수 있다.

인공지능 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 인공지능 모델 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 인공지능 모델 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 인공지능 모델을 구성하는 노드들을 의미할 수 있다. 본 발명의 일 실시예에 따른 인공지능 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 인공지능 모델일 수 있다.

인공지능 모델은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.

다양한 실시예에서, 인공지능 모델은 딥러닝(Deep learning) 모델일 수 있다.

딥러닝 모델(예: 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 인공지능 모델을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다.

딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 네트워크 함수는 오토 인코더를 포함할 수도 있다. 여기서, 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다.

오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 또한, 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 보다 구체적으로, 뉴럴 네트워크의 학습은 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다.

먼저, 교사 학습의 경우 각각의 학습 데이터에 정답이 레이블링 되어있는 학습 데이터를 사용하며(즉, 레이블링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 레이블링 되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 레이블링 된 데이터 일 수 있다. 레이블링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 레이블을 비교함으로써 오류(error)가 계산될 수 있다.

다음으로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 관성 데이터를 이용하여 이동체(10)의 자세를 판단하되, 이동체(10)에 탑승한 탑승자의 사용자 단말(200)의 자세에 기초하여, 판단된 이동체(10)의 자세를 검증할 수 있다.

보다 구체적으로, 컴퓨팅 장치(110)는 네트워크(400)를 통해 사용자 단말(200)(예컨대, 스마트폰)과 연결될 수 있으며, 사용자 단말(200) 내에 구비되는 센서(예컨대, 관성 측정 센서)로부터 사용자 단말(200)에 대한 관성 데이터(예컨대, 사용자 단말(200)에 대한 9 자유도 값)을 수집할 수 있다.

이후, 컴퓨팅 장치(110)는 사용자 단말(200)에 대한 관성 데이터를 기반으로 사용자 단말(200)의 자세를 판단할 수 있고, 사용자 단말(200)의 자세와 이동체(10)의 자세를 비교함으로써, 이동체(10)의 자세에 대한 검증을 수행할 수 있다.

예컨대, 컴퓨팅 장치(110)는 이동체(10)의 관성 데이터를 이용하여 판단된 이동체(10)의 진행 방향에 대응하는 각도와 사용자 단말(200)의 관성 데이터를 이용하여 판단된 사용자 단말(200)의 진행 방향에 대응하는 각도가 오차범위 이내의 차이를 가지는 경우, 이동체(10)의 관성 데이터를 이용하여 판단된 이동체(10)의 진행 방향에 대응하는 각도가 정확하게 산출된 것으로 판단할 수 있다.

S130 단계에서, 컴퓨팅 장치(110)는 S120 단계를 거쳐 판단된 이동체(10)의 동작(움직임 및 자세)에 기초하여, 이동체(10)에 대한 위험발생을 감지할 수 있다.

여기서, 이동체(10)에 대한 위험발생을 감지하는 것은 이동체(10)에 대하여 전도, 전복 및 추락 사고가 실제로 발생되었는지 여부를 판단하는 것뿐만 아니라, 이동체(10)에 대하여 전도, 전복 및 추락 사고가 발생될 가능성이 있는 위험한 상태인지 여부를 감지하는 것을 포함할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 동작에 관한 정보와 기 설정된 위험 판단 기준에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다.

일례로, 컴퓨팅 장치(110)는 이동체(10)에 대한 특정 방향으로의 쏠림 정도를 산출할 수 있으며, 특정 방향으로의 쏠림 정도와 기 설정된 위험 판단 기준에 기초하여 이동체(10)에 대한 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다.

다른 예로, 컴퓨팅 장치(110)는 이동체(10)의 진행 방향에 대응하는 각도를 산출할 수 있으며, 이동체(10)의 진행 방향에 대응하는 각도와 기 설정된 위험 판단 기준에 기초하여 이동체(10)에 대한 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다. 예컨대, 컴퓨팅 장치(110)는 이동체(10)의 진행 방향에 대응하는 각도가 22.5° 이하인 경우 이동체(10)의 상태를 안전 상태로 분류하고, 이동체(10)의 진행 방향에 대응하는 각도가 22.5° 초과 45° 이하인 경우 이동체(10)의 상태를 주의 상태로 분류하며, 이동체(10)의 진행 방향에 대응하는 각도가 45° 초과 67.5° 이하인 경우 이동체(10)의 상태를 위험 상태로 분류하고, 이동체(10)의 진행 방향에 대응하는 각도가 67.5° 초과인 경우 이동체(10)의 상태를 사고 발생 상태로 분류할 수 있다.

한편, 이동체(10)가 평지에 위치함에 따라 이동체(10)의 진행 방향에 대응하는 각도가 0°로 측정될 경우, 이동체(10)의 진행 방향에 대응하는 각도가 22.5° 이하의 범위 내에 속하기 때문에 이동체(10)의 상태가 안전 상태로 분류되나, 이동체(10)가 25°의 각도를 가지는 경사로를 주행함에 따라 이동체(10)의 진행 방향에 대응하는 각도가 25°의 각도로 측정될 경우, 이동체(10)의 진행 방향에 대응하는 각도가 22.5° 초과 45° 이하의 범위 내에 속하기 때문에 이동체(10)가 안정적으로 주행하고 있다 하더라도 이동체(10)의 상태가 안전 상태가 아닌 주의 상태로 분류될 수 있다.

즉, 상술된 바와 같이, 이동체(10)가 위치하는 지점에 대한 지리적인 특성을 고려하지 않고 서로 다른 위치에 위치하는 이동체(10)에 대하여 동일한 위험 판단 기준을 적용할 경우, 이동체(10)의 동작 및 자세가 동일하더라도 이동체(10)가 위하는 지점마다 서로 다른 판단 결과가 도출될 수 있기 때문에 위험발생 감지 결과의 신뢰성이 떨어질 수 있고, 경우에 따라 이동체(10)가 안정적으로 주행하고 있다 하더라도 이동체(10)의 상태가 주의, 위험 또는 사고 발생 상태로 분류되어 불필요하게 경고 알람이 지속적으로 출력됨으로써, 이동체(10)에 탑승한 탑승자에게 불편함을 끼칠 수 있다는 문제가 있다.

이러한 점을 고려하여, 컴퓨팅 장치(110)는 이동체(10)의 동작과 기 설정된 위험 판단 기준에 기초하여 이동체(10)에 대한 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되, 이동체(10)가 위치하는 지점에 대한 지리적 특성 정보에 기초하여 기 설정된 위험 판단 기준을 보정하고, 보정된 위험 판단 기준과 이동체(10)의 동작에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다.

일례로, 컴퓨팅 장치(110)는 이동체(10)가 위치하는 지리적 특성 정보에 기초하여 이동체(10)가 평지에 위치하는 것으로 판단되는 경우, 0 내지 90°를 4분할함으로써 이동체(10)에 대한 위험 판단 기준을 “22.5° 이하-안전 상태, 22.5° 초과 45° 이하-주의 상태, 45° 초과 67.5° 이하-위험 상태, 67.5° 초과-사고발생 상태”로 설정할 수 있다.

한편, 컴퓨팅 장치(110)는 이동체(10)가 위치하는 지리적 특성 정보에 기초하여 이동체(10)가 20°의 각도를 가지는 경사로 상에 위치하는 것으로 판단되는 경우, 20° 내지 90°를 4분할함으로써 이동체(10)에 대한 위험 판단 기준을 “37.5° 이하-안전 상태, 37.5° 초과 55° 이하-주의 상태, 55° 초과 72.5° 이하-위험 상태, 72.5° 초과-사고발생 상태”로 보정할 수 있다. 여기서, 지리적 특성 정보에 따라 보정된 위험 판단 기준의 수치 값은 위험 판단 기준을 보정하는 방법을 보다 용이하게 설명하기 위한 예시 값이며, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(110)는 지역별 사고 데이터에 기초하여 지역별 위험 판단 기준을 설정할 수 있고, 지역별 위험 판단 기준 중 이동체(10)가 위치하는 지역에 대응하는 위험 판단 기준을 이용하여 이동체(10)에 대한 위험발생을 감지할 수 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(110)는 복수의 지역 각각에 대한 사고 데이터를 이용하여 복수의 지역 각각에 대한 위험 판단 기준을 설정할 수 있다. 예컨대, 컴퓨팅 장치(110)는 제1 지역에 대한 사고 데이터를 이용하여 제1 지역에서 사고가 발생되었을 때 이동체(10)의 진행 방향에 대응하는 각도의 평균 값을 산출할 수 있고, 산출된 평균 값을 이용하여 제1 지역에 대한 제1 위험 판단 기준을 설정할 수 있다. 또한, 컴퓨팅 장치(110)는 제2 지역에 대한 사고 데이터를 이용하여 제2 지역에서 사고가 발생되었을 때 이동체(10)의 진행 방향에 대응하는 각도의 평균 값을 산출할 수 있고, 산출된 평균 값을 이용하여 제2 지역에 대한 제2 위험 판단 기준을 설정할 수 있다

이후, 컴퓨팅 장치(110)는 이동체(10)의 위치에 기초하여, 복수의 위험 판단 기준 중 이동체의 위치에 대응하는 위험 판단 기준을 선택하고, 선택한 위험 판단 기준을 이용하여 이동체(10)에 대한 위험발생을 감지할 수 있다. 예컨대, 컴퓨팅 장치(110)는 이동체(10)가 제1 지역에 위치하는 경우, 제1 위험 판단 기준을 이용하여 이동체(10)에 대한 위험발생을 감지할 수 있다. 또한 컴퓨팅 장치(110)는 이동체(10)의 위치가 제1 지역에서 제2 지역으로 변경된 경우, 이동체(10)에 대한 위험 판단 기준을 제1 위험 판단 기준에서 제2 지역에 대응하는 제2 위험 판단 기준으로 변경할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 특정 이동체에 대한 동작에 기초하여 특정 이동체에 대한 위험발생을 감지하되, 특정 이동체와 유사한 속성을 가지는 이동체들의 관성 데이터를 이용하여 위험 판단 기준을 설정하고, 설정된 위험 판단 기준을 이용하여 특정 이동체에 대한 위험발생을 감지할 수 있다.

이동체(10)가 트랙터인 경우, 앞바퀴가 뒷바퀴에 비해 작고, 차체가 높으며, 중량이 무겁기 때문에 일반적인 차량(예컨대, 승용차 등) 대비 높은 무게 중심점을 가지며, 이에 따라, 트랙터가 특정 방향으로 약간의 쏠림이 발생하더라도 쉽게 전도, 전복되거나 추락 사고가 발생할 수 있기 때문에 일반적인 차량과 동일한 위험 판단 기준을 적용시키기 어렵다는 문제가 있다.

또한, 이동체(10)가 트랙터라 하더라도, 트랙터의 브랜드별로 무게 중심점이 상이하고, 트랙터에 로더가 부착되어 있는지 여부에 따라서도 무게 중심점이 달라지기 때문에, 모든 이동체(10)에 대하여 획일화된 위험 판단 기준을 적용시키기 어렵다는 문제가 있다.

이러한 점을 고려하여, 컴퓨팅 장치(110)는 이동체(10)의 속성(예컨대, 이동체(10)의 종류, 브랜드, 로더와 같은 파츠 장착 여부 등)에 기초하여 서로 다른 위험 판단 기준을 적용시킬 수 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(110)는 제1 이동체의 동작에 기초하여 제1 이동체에 대한 위험발생을 감지하고자 하는 경우, 복수의 제2 이동체의 속성과 제1 이동체의 속성(예컨대, 제1 이동체의 종류, 브랜드, 파츠 장착 여부 및 장착된 파츠의 종류 등) 간의 유사도를 산출할 수 있다. 예컨대, 컴퓨팅 장치(110)는 자카드 유사도(Jaccard similarity) 산출 방법에 기초하여, 복수의 제2 이동체 각각과 제1 이동체에 대한 전체 속성(합집합) 중 공통된 속성(교집합)의 비율을 유사도로 산출할 수 있으나, 이에 한정되지 않는다.

이후, 컴퓨팅 장치(110)는 복수의 제2 이동체 중 제1 이동체와의 유사도가 기 설정된 값 이상인 적어도 하나의 제2 이동체를 선택할 수 있고, 적어도 하나의 제2 이동체에 대한 위험발생이 감지됐을 때의 관성 데이터를 이용하여 위험 판단 기준을 설정할 수 있다. 예컨대, 컴퓨팅 장치(110)는 적어도 하나의 제2 이동체에 대한 위험발생이 감지됐을 때의 관성 데이터의 평균 값을 위험 판단 기준을 설정할 수 있으나, 이에 한정되지 않는다.

이후, 컴퓨팅 장치(110)는 적어도 하나의 제2 이동체에 대한 위험발생이 감지됐을 때의 관성 데이터에 기초하여 설정된 위험 판단 기준과 제1 이동체의 동작에 기초하여 제1 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 동작과 기 설정된 위험 판단 기준에 기초하여 이동체(10)에 대한 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되, 이동체(10)에 대한 물품 적재 여부 및 물품의 적재량에 기초하여 기 설정된 위험 판단 기준을 보정하고, 보정된 위험 판단 기준과 이동체(10)의 동작에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다.

예컨대, 어떠한 물품도 적재되어 있지 않은 이동체(10)와 물품이 적재된 이동체(10)를 비교하면, 이동체(10)의 동작이나 자세(예컨대, 진행 방향에 대응하는 각도 또는 특정 방향으로의 쏠림 정도)가 동일하더라도 그 위험도가 상이하며, 물품이 적재된 이동체(10)의 경우에도 물품의 적재량에 따라 이동체(10)의 동작이나 자세가 동일하더라도 그 위험도가 상이할 수 있다.

이러한 점을 고려하여, 컴퓨팅 장치(110)는 이동체(10)에 대한 물품 적재 여부 및 물품의 적재량에 기초하여 기 설정된 위험 판단 기준을 보정하고, 보정된 위험 판단 기준과 이동체(10)의 동작에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다. 예컨대, 컴퓨팅 장치(110)는 이동체(10)에 대한 적재량에 기초하여, 적재량에 대응하는 가중치를 설정할 수 있고, 설정된 가중치를 기 설정된 위험 판단 기준에 부여하여 기 설정된 위험 판단 기준을 보정할 수 있으며, 가중치를 이용하여 보정된 위험 판단 기준과 이동체(10)의 동작에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체에 대한 관성 데이터(9 자유도 값)을 분석함에 따라 판단된 이동체(10)의 자세에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되, 이동체(10)의 상태가 사고 발생 상태인 것으로 판단되는 경우, 이동체(10)에 대한 9 자유도 값의 변화 패턴에 기초하여 이동체(10)에 대하여 발생된 사고의 종류를 판단할 수 있다.

예컨대, 이동체(10)에 사고가 발생했을 때의 관성 데이터를 살펴보면, 전진 중인 이동체(10)에 전복 사고가 발생된 경우 도 10에 도시된 바와 같이 이동체(10)에 대한 Y축 각도 값이 Negative Sign을 갖고 크게 변동되는 형태를 보이고, 후진 중인 이동체(10)에 전복 사고가 발생된 경우 도 11에 도시된 바와 같이 이동체(10)에 대한 Y축 각도 값이 Positive Sign을 갖고 크게 변동되는 형태를 보이며, 경사 진입 중인 이동체(10)에 전복 사고가 발생된 경우 도 12에 도시된 바와 같이 이동체(10)에 대한 Z축 각도 값이 큰 폭으로 변동되는 형태를 보임을 알 수 있다.

즉, 상술된 바와 같이, 이동체(10)에 발생된 사고의 종류에 따라 이동체(10)에 대한 관성 데이터의 변동 추이가 상이한 바, 컴퓨팅 장치(110)는 사고의 종류별 관성 데이터 변화 패턴을 사전에 정의할 수 있고, 이후, 이동체(10)의 상태가 사고 발생 상태인 것으로 판단되는 경우, 사고 발생 상태의 이동체(10)에 대한 관성 데이터 변화 패턴과 사전에 정의된 사고의 종류별 관성 데이터 변화 패턴을 비교함으로써, 이동체(10)에 발생된 사고의 종류를 판단할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 소정의 기간 동안 이동체(10)로부터 수집되는 센서 데이터(예컨대, 관성 데이터)를 이용하여 이동체(10)에 탑승한 탑승자에 대한 주행 패턴을 추출할 수 있고, 추출된 주행 패턴에 기초하여 이동체(10)에 대한 위험발생을 감지할 수 있다.

보다 구체적으로, 컴퓨팅 장치(110)는 소정의 기간 동안 이동체(10)로부터 수집되는 복수의 센서 데이터를 이동체(10)의 상태별로 분류(예컨대, 정상 상태에서의 센서 데이터, 주의 상태에서의 센서 데이터, 위험 상태에서의 센서 데이터 및 사고 발생 상태에서의 센서 데이터)할 수 있고, 상태별로 분류된 센서 데이터 각각을 분석하여 이동체(10)의 상태별 주행 패턴을 사전에 정의할 수 있다.

이후, 컴퓨팅 장치(110)는 실시간으로 수집되는 이동체(10)의 센서 데이터를 기반으로 이동체(10)에 대한 현재 주행 패턴을 추출할 수 있고, 사전에 정의된 상태별 주행 패턴과 이동체(10)의 현재 주행 패턴을 비교하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 동작 및 자세와 위험 판단 기준에 기초하여 이동체(10)에 위험발생이 감지되는 경우, 이동체(10)에 탑승한 탑승자에게 위험발생에 관한 경고 알림을 제공할 수 있다. 예컨대, 컴퓨팅 장치(110)는 이동체(10)에 대한 위험발생이 감지되는 것으로 판단되는 경우, 경고 알림 출력 모듈(150)의 동작을 제어하는 제어명령을 출력함으로써, 경고 알림 출력 모듈(150)에 포함된 경고등과 스피커가 동작하도록 할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 동작 및 자세에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되, 이동체(10)의 상태 분류 결과에 기초하여 서로 다른 속성을 가지는 경고 알림을 제공할 수 있다.

일례로, 컴퓨팅 장치(110)는 이동체(10)의 상태가 안전 상태인 것으로 판단되는 경우 별도의 경고 알림을 제공하지 않도록 하거나 경고 알림 출력 모듈(150)의 경고등의 동작을 제어하여 경고등을 통해 제1 색상의 신호(예: 녹색 신호)가 출력되도록 할 수 있다.

또한, 컴퓨팅 장치(110)는 이동체(10)의 상태가 주의 상태인 것으로 판단되는 경우, 경고 알림 출력 모듈(150)의 경고등의 동작을 제어하여 경고등을 통해 제2 색상의 신호(예: 황색 신호)가 출력되도록 할 수 있고, 경고 알림 출력 모듈(150)에 포함된 스피커의 동작을 제어하여 스피커를 통해 주의 상태에 대응하는 음성 신호(예컨대, 제1 크기의 경고음)가 출력되도록 할 수 있다.

또한, 컴퓨팅 장치(110)는 이동체(10)의 상태가 위험 상태인 것으로 판단되는 경우, 경고 알림 출력 모듈(150)의 경고등의 동작을 제어하여 경고등을 통해 제3 색상의 신호(예: 적색 신호)가 출력되도록 할 수 있고, 경고 알림 출력 모듈(150)에 포함된 스피커의 동작을 제어하여 스피커를 통해 위험 상태에 대응하는 음성 신호(예컨대, 제2 크기의 경고음)가 출력되도록 할 수 있다.

또한, 컴퓨팅 장치(110)는 이동체(10)의 상태가 사고 발생 상태인 것으로 판단되는 경우, 경고 알림 출력 모듈(150)의 경고등의 동작을 제어하여 경고등을 통해 제3 색상의 신호(예: 적색 신호)가 출력되도록 할 수 있고, 경고 알림 출력 모듈(150)에 포함된 스피커의 동작을 제어하여 스피커를 통해 사고 발생 상태에 대응하는 음성 신호(예컨대, 제3 크기의 경고음)가 출력되도록 할 수 있다.

다른 예로, 컴퓨팅 장치(110)는 이동체(10)의 상태가 안전 상태인 것으로 판단되는 경우 경고 알림 출력 모듈(150)이 제1 주기마다 경고 알림을 출력하도록 제어할 수 있고, 이동체(10)의 상태가 주의 상태인 것으로 판단되는 경우 경고 알림 출력 모듈(150)이 제1 주기보다 짧은 제2 주기마다 경고 알림을 출력하도록 제어할 수 있으며, 이동체(10)의 상태가 위험 상태인 것으로 판단되는 경우 경고 알림 출력 모듈(150)이 제2 주기보다 짧은 제3 주기마다 경고 알림을 출력하도록 제어할 수 있고, 이동체(10)의 상태가 사고 발생 상태인 것으로 판단되는 경우 경고 알림 출력 모듈(150)이 경고 알림을 연속적으로 출력하도록 제어할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 위험발생이 감지됨에 따라 이동체(10)의 위험발생에 따른 경고 알림을 제공하되, 이동체(10)가 위치하는 지점에 기초하여 경고 알림 속성을 결정하고, 결정된 경고 알림 속성에 따라 경고 알림을 제공할 수 있다. 예컨대, 컴퓨팅 장치(110)는 제1 지점에 위치하는 이동체(10)의 동작에 기초하여 제1 지점에 위치하는 이동체(10)에 대한 위험발생이 감지되는 경우, 제1 지점에 위치하는 이동체(10)에 탑승한 탑승자에게 위험발생에 따른 경고 알림을 제공하되, 제1 지점에서의 복수의 이동체에 대한 주행 이력 데이터 및 사고 이력 데이터 중 적어도 하나에 기초하여 제1 지점에 대한 경고 알림의 종류, 제공방법, 크기 및 횟수를 포함하는 경고 알림 속성을 결정할 수 있고, 경고 알림 속성에 기초하여 제1 지점에 위치하는 이동체(10)에 탑승한 탑승자에게 위험발생에 따른 경고 알림을 제공할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)은 이동체(10)에 대한 위험발생이 감지되는 경우, 이동체(10)에 대하여 감지된 위험발생에 관한 정보를 관제 서버(300)에 제공함으로써 관제 서버(300)가 이동체(10)의 위험발생을 모니터링할 수 있는 환경을 구축하되, 이동체(10)에 탑승한 탑승자를 통해 이동체(10)에 대하여 위험발생 여부를 검증받고, 실제로 위험이 발생된 것으로 판단되는 경우에만 해당 정보를 관제 서버(300)로 제공할 수 있다.

보다 구체적으로, 먼저, 컴퓨팅 장치(110)는 이동체(10)의 동작 및 자세에 기초하여 이동체(10)에 대한 위험발생이 감지되는 경우, 경고 알림 출력 모듈(150)을 통해 이동체(10)에 탑승한 탑승자에게 경고 알림을 제공할 수 있다.

이후, 컴퓨팅 장치(110)는 탑승자에게 경고 알림을 제공한 시점부터 소정의 기간 내에 탑승자로부터 제1 피드백(예컨대, 탑승자의 사용자 단말(200) 등을 통해 경고 알림을 출력하는 경고 알림 출력 모듈(150)의 동작을 정지/취소시키거나 위험이 발생되지 않았음을 가리키는 사용자 입력을 입력)을 획득할 경우, 이동체(10)에 대하여 감지된 위험발생에 관한 정보를 관제 서버(300)에 제공하지 않을 수 있다.

한편, 컴퓨팅 장치(110)는 탑승자에게 경고 알림을 제공한 시점부터 소정의 기간 내에 탑승자로부터 제2 피드백(예컨대, 탑승자의 사용자 단말(200) 등을 통해 위험발생을 인지하였음을 가리키는 사용자 입력을 입력)을 획득하거나, 탑승자에게 경고 알림을 제공한 시점부터 소정의 기간 내에 어떠한 피드백도 입력되지 않을 경우 이동체(10)에 대하여 감지된 위험발생에 관한 정보를 관제 서버(300)에 제공할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 동작 및 자세에 기초하여 이동체(10)의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되, 이동체(10)의 상태가 사고 발생 상태로 분류되는 경우 즉, 이동체(10)에 사고가 발생된 것으로 판단되는 경우, 이동체(10)와 사용자 단말(200) 간의 위치에 기초하여 이동체(10)에 탑승한 탑승자의 상태를 판단할 수 있다.

예컨대, 컴퓨팅 장치(110)는 근거리 무선 통신(예컨대, 블루투스(BLE) 등)을 기반으로 사용자 단말(200)과 연결될 수 있고, 이동체(10)에 사고가 발생된 것으로 판단되는 경우 사용자 단말(200)로부터 수신되는 신호의 세기에 기초하여 이동체(10)와 사용자 단말(200) 간의 거리를 판단할 수 있으며, 판단된 거리에 기초하여 사고가 발생된 것으로 판단된 이동체(10)의 탑승자가 이동체(10)를 이탈하였는지 또는 아직 이동체(10)에 탑승 중인지(예컨대, 전도, 전복된 이동체(10)에 깔려 있는지 등) 여부를 판단할 수 있다.

또한, 컴퓨팅 장치(110)는 이동체(10)에 대한 사고 발생 이후 소정의 기간 동안 사용자 단말(200)로부터 수신되는 신호의 세기에 기초하여, 신호의 세기가 변화하는 것으로 판단될 경우 탑승자가 정상적으로 이동체(10)를 이탈한 것으로 판단할 수 있고, 신호의 세기가 변화하지 않는 것으로 판단될 경우 이동체(10)에 대한 사고 발생으로 인해 탑승자가 비정상적으로 이동체(10)를 이탈한 것으로 판단할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 센서 모듈(120)은 이동체(10) 내에서 탑승자가 탑승하는 위치(예컨대, 이동체(10)의 운전석 시트)에 구비되는 압력 센서(미도시)를 더 포함할 수 있으며, 컴퓨팅 장치(110)는 이동체(10)에 사고가 발생된 것으로 판단되는 경우 압력 센서를 통해 수집되는 압력 값에 기초하여 탑승자가 이동체(10)를 이탈하였는지 또는 아직 이동체(10)에 탑승 중인지(예컨대, 전도, 전복된 이동체(10)에 깔려 있는지 등) 여부를 판단할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 상태가 사고 발생 상태로 분류되는 경우 즉, 이동체(10)에 사고가 발생된 것으로 판단되는 경우, 이동체(10)에 탑승한 탑승자의 사용자 단말(200)과 연결되어, 사용자 단말(200)에 포함된 카메라 모듈로부터 실시간 영상 데이터를 수집할 수 있고, 실시간 영상 데이터를 분석하여, 이동체(10)의 사고 발생 여부와 탑승자의 상태를 판단할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(110)는 이동체(10)의 동작 및 자세에 기초하여 이동체(10)의 상태가 사고 발생 상태로 분류되는 경우 즉, 이동체(10)에 사고가 발생된 것으로 판단되는 경우, 이동체(10)에 대하여 발생된 사고의 원인이 이동체(10)의 동작 및 자세인지 또는 이동체(10)의 동작을 제어하는 탑승자의 주행 패턴인지 여부를 판단할 수 있다.

예컨대, 컴퓨팅 장치(110)는 이동체(10)에 대한 사고 발생 시 이동체의 동작 및 자세 평균 값(예컨대, 사고 발생 시 센서 데이터 평균 값)과 이동체(10)에 대한 사고 발생 시 탑승자의 주행 패턴을 사전에 정의할 수 있으며, 이동체(10)에 대한 센서 데이터를 기반으로 이동체(10)에 대한 사고 발생이 감지될 경우, 사고 발생 시 이동체의 동작 및 자세 평균 값과 사고 발생 시 탑승자의 주행 패턴을 비교하여 이동체(10)에 대한 사고 발생 원인이 이동체(10)의 동작 및 자세 자체인지, 탑승자의 주행 패턴인지 여부를 판단할 수 있다.

전술한 이동체의 동작에 따른 위험발생 감지방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 이동체의 동작에 따른 위험발생 감지방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 통합 모니터링 모듈
110 : 컴퓨팅 장치
120 : 센서 모듈
130 : 전력원
140 : 통신 모듈
150: 경고 알림 출력 모듈
200 : 사용자 단말
300 : 관제 서버
400 : 네트워크

Claims (12)

1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
   이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 상기 이동체에 대한 관성 데이터를 수집하는 단계;
   상기 수집된 관성 데이터를 이용하여 상기 이동체의 동작을 판단하는 단계; 및
   상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생을 감지하는 단계를 포함하며,
   상기 이동체에 대한 위험발생을 감지하는 단계는,
   제1 이동체의 동작에 기초하여 상기 제1 이동체에 대한 위험발생을 감지하되, 복수의 제2 이동체 중 상기 제1 이동체의 속성과의 유사도가 기 설정된 값 이상인 적어도 하나의 제2 이동체를 선택하고, 상기 선택된 적어도 하나의 제2 이동체에 대한 위험발생이 감지됐을 때의 관성 데이터를 이용하여 위험 판단 기준을 설정하며, 상기 설정된 위험 판단 기준과 상기 제1 이동체의 동작에 기초하여 상기 제1 이동체에 대한 위험발생을 감지하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
2. 제1항에 있어서,
   상기 수집된 관성 데이터는,
   자이로 센서, 가속도 센서 및 지자기 센서를 포함하는 상기 관성 측정 센서를 통해 수집되는 XYZ축 각속도 값, XYZ축 가속도 값 및 XYZ축 지자기 값을 포함하는 9 자유도 값을 포함하며,
   상기 이동체의 동작을 판단하는 단계는,
   상기 이동체에 대한 9 자유도 값을 이용하여 상기 이동체에 대한 오일러 각도(Euler Angle)와 쿼터니언(Quaternion)을 산출하고, 상기 산출된 오일러 각도 및 상기 산출된 쿼터니언을 이용하여 상기 이동체의 상태로서 상기 이동체에 대한 자세를 판단하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
3. 제2항에 있어서,
   상기 이동체에 대한 자세를 판단하는 단계는,
   상기 이동체가 복수의 바퀴를 포함하는 경우, 상기 복수의 바퀴 각각을 중심으로 상기 이동체에 대응하는 XY평면을 복수의 영역으로 분할하고, 상기 이동체에 대한 9 자유도 값을 이용하여 상기 이동체의 중심점과 상기 복수의 바퀴 각각에 대한 기울기를 산출하며, 상기 산출된 기울기를 이용하여 상기 분할된 복수의 영역 각각으로의 쏠림 정도를 산출하는 단계를 포함하며,
   상기 이동체에 대한 위험발생을 감지하는 단계는,
   상기 산출된 쏠림 정도에 기초하여, 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
4. 제2항에 있어서,
   상기 이동체에 대한 자세를 판단하는 단계는,
   소정의 기간 동안 수집된 상기 이동체의 위치 정보를 이용하여 상기 이동체의 진행 방향을 결정하고, 상기 이동체에 대한 9 자유도 값을 이용하여 상기 결정된 진행 방향에 대응하는 각도를 산출하는 단계를 포함하며,
   상기 이동체에 대한 위험발생을 감지하는 단계는,
   상기 산출된 각도에 기초하여 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
5. 제2항에 있어서,
   상기 이동체에 대한 위험발생을 감지하는 단계는,
   상기 판단된 이동체에 대한 자세에 기초하여 상기 이동체에 대한 사고 발생 여부를 감지하되, 소정의 기간 동안 수집된 상기 이동체에 대한 9 자유도 값의 변화 패턴에 기초하여 상기 이동체에 대하여 발생된 사고의 종류를 판단하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
6. 제1항에 있어서,
   상기 이동체에 대한 위험발생을 감지하는 단계는,
   상기 판단된 이동체의 동작과 기 설정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되,
   상기 이동체가 위치하는 지점에 대한 지리적 특성 정보에 기초하여 상기 기 설정된 위험 판단 기준을 보정하고, 상기 보정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 분류하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
7. 제1항에 있어서,
   상기 이동체에 대한 위험발생을 감지하는 단계는,
   상기 판단된 이동체의 동작과 기 설정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 안전 상태, 주의 상태, 위험 상태 또는 사고 발생 상태로 분류하되,
   상기 이동체에 대한 물품 적재 여부 및 물품의 적재량에 기초하여 상기 기 설정된 위험 판단 기준을 보정하고, 상기 보정된 위험 판단 기준에 기초하여 상기 이동체의 상태를 분류하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
8. 삭제
9. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
   이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 상기 이동체에 대한 관성 데이터를 수집하는 단계;
   상기 수집된 관성 데이터를 이용하여 상기 이동체의 동작을 판단하는 단계; 및
   상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생을 감지하는 단계를 포함하며,
   상기 이동체에 대한 위험발생을 감지하는 단계는,
   제1 지점에 위치하는 이동체의 동작에 기초하여 상기 제1 지점에 위치하는 이동체에 대한 위험발생이 감지되는 경우, 상기 제1 지점에 위치하는 이동체에 탑승한 탑승자에게 상기 감지된 위험발생에 따른 경고 알림을 제공하되,
   상기 제1 지점에서의 복수의 이동체에 대한 주행 이력 데이터 및 사고 이력 데이터 중 적어도 하나에 기초하여 상기 제1 지점에 대한 경고 알림 속성 - 상기 경고 알림 속성은 경고 알림의 종류, 제공방법, 크기 및 횟수를 포함함 - 을 결정하고, 상기 결정된 경고 알림 속성에 기초하여 상기 제1 지점에 위치하는 이동체에 탑승한 탑승자에게 상기 감지된 위험발생에 따른 경고 알림을 제공하는 단계를 포함하는,
   이동체의 동작에 따른 위험발생 감지방법.
10. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    이동체의 적어도 일부분에 구비되는 관성 측정 센서를 이용하여 상기 이동체에 대한 관성 데이터를 수집하는 단계;
    상기 수집된 관성 데이터를 이용하여 상기 이동체의 동작을 판단하는 단계; 및
    상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생을 감지하는 단계를 포함하며,
    상기 이동체에 대한 위험발생을 감지하는 단계는,
    상기 판단된 이동체의 동작에 기초하여 상기 이동체에 대한 위험발생이 감지되는 경우, 상기 감지된 위험발생에 관한 정보를 상기 이동체에 대한 위험발생을 모니터링하는 관제 서버로 제공하되,
    상기 이동체에 탑승한 탑승자에게 상기 감지된 위험발생에 따른 경고 알림을 제공하고, 상기 제공된 경고 알림에 대응하는 상기 탑승자의 피드백에 기초하여 상기 감지된 위험발생에 관한 정보를 상기 관제 서버로 제공할지 여부를 결정하는 단계를 포함하는,
    이동체의 동작에 따른 위험발생 감지방법.
11. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 프로세서는,
    상기 컴퓨터 프로그램에 포함된 하나 이상의 인스트럭션을 실행함으로써, 제1항, 제9항 또는 제10항의 방법을 수행하는,
    이동체의 동작에 따른 위험발생 감지장치.
12. 컴퓨팅 장치와 결합되어,
    제1항, 제9항 또는 제10항의 방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장된, 컴퓨터프로그램.

Images