KR102587119B1 - Vehicle driving management system, client for vehicle driving management, server device, and method for vehicle driving management - Google Patents
Vehicle driving management system, client for vehicle driving management, server device, and method for vehicle driving management Download PDFInfo
- Publication number
- KR102587119B1 KR102587119B1 KR1020160103726A KR20160103726A KR102587119B1 KR 102587119 B1 KR102587119 B1 KR 102587119B1 KR 1020160103726 A KR1020160103726 A KR 1020160103726A KR 20160103726 A KR20160103726 A KR 20160103726A KR 102587119 B1 KR102587119 B1 KR 102587119B1
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- driving
- road section
- associative memory
- client device
- Prior art date
Links
- 238000000034 method Methods 0.000 title description 24
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000013480 data collection Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
차량의 전방면에 설치되어 전방 차량과의 거리를 측정하는 거리 측정 센서; 상기 차량의 주행정보를 수집하고, 수집된 상기 차량의 주행정보와 상기 거리 측정 센서에서 측정된 거리 측정 정보를 취합하는 클라이언트 장치; 교통 데이터를 수신하고, 수신되는 교통 데이터와 상기 클라이언트 장치에서 취합된 주행정보를 기반으로 도로 구간별 위험 감속도를 산출하며, 산출되는 상기 도로 구간별 위험 감속도를 기반으로 연상 메모리 데이터를 구축하고, 상기 도로 구간별 위험 감속도 및 상기 연상 메모리 데이터를 상기 클라이언트 장치로 전송하는 서버 장치를 포함하는 차량 주행관리 시스템이 개시된다.A distance measurement sensor installed on the front of the vehicle to measure the distance to the vehicle in front; a client device that collects driving information of the vehicle and combines the collected driving information of the vehicle and distance measurement information measured by the distance measurement sensor; Receives traffic data, calculates dangerous deceleration for each road section based on the received traffic data and driving information collected from the client device, and builds associative memory data based on the calculated dangerous deceleration for each road section. , a vehicle driving management system including a server device that transmits the dangerous deceleration rate for each road section and the associative memory data to the client device is disclosed.
Description
본 발명은 차량 주행관리 서비스에 관한 것으로, 특히 실시간 추돌 경고 기능을 제공하는 차량 주행관리 시스템, 차량 주행관리를 위한 클라이언트 장치, 서버 장치 및 방법에 관한 것이다.The present invention relates to a vehicle driving management service, and particularly to a vehicle driving management system that provides a real-time collision warning function, a client device, a server device, and a method for vehicle driving management.
기존 추돌 경고 시스템의 경우, 주로 차량 내에 설치되어 있는 센서를 기반으로 하여 선행 차량과의 거리, 속도 및 가/감속도 등의 운행정보를 이용함에 따라 인접한 차량에 대한 인식 및 추돌경고만 가능하기 때문에, 차량이 위치한 도로 구간의 전반적인 교통흐름을 운전자가 인지할 수 없어 선제적 차량 추돌사고 방지에 대한 한계점이 있다.In the case of existing collision warning systems, they are mainly based on sensors installed in the vehicle and can only recognize adjacent vehicles and provide collision warnings by using driving information such as the distance to the preceding vehicle, speed, and acceleration/deceleration. , there are limitations to preemptively preventing vehicle collisions because drivers cannot perceive the overall traffic flow of the road section where the vehicle is located.
추돌 경고 시스템 정확도 증대를 위한 일환으로 차량 별 추가적인 센서 도입을 통해 탐지거리를 확장할 수 있지만, 고가의 센서를 여러 개 설치해야 하는 비용적인 한계가 있다.As part of increasing the accuracy of the collision warning system, the detection range can be expanded by introducing additional sensors for each vehicle, but there is a cost limitation in requiring the installation of multiple expensive sensors.
또한, 교통사고 위험도는 인접한 선행 차량의 주행상황과 더불어 차량이 위치한 도로 구간의 교통흐름에 대한 직접적 영향을 받는 반면, 기존의 추돌 경고 시스템들은 이러한 도로 구간의 교통상황을 반영한 추돌 위험도를 고려하지 않고 있기 때문에 교통상태에 따라 변화하는 위험도 산정에 대한 신뢰성이 낮아 시스템 정확성이 떨어질 수 있다.In addition, while the risk of traffic accidents is directly affected by the traffic flow of the road section where the vehicle is located as well as the driving conditions of adjacent preceding vehicles, existing collision warning systems do not consider the risk of collision that reflects the traffic conditions of these road sections. Therefore, the system accuracy may be reduced due to low reliability in calculating the risk that changes depending on traffic conditions.
현재까지 연구 개발된 인공지능기술 기반 추돌 경고 시스템의 경우, 고가의 센서들을 탑재한 프로브 차량을 통해 장기간 수집되는 운행정보를 통해 연상 메모리(Associative Memory)를 학습시켜 추돌 위험도를 프로파일링(profiling) 하였으나, 최적학습 주기를 토대로 학습된 연상메모리를 통해 도출되는 신뢰도 높은 위험도 예측 및 실시간 위험 알림에 대한 기술적 요소와 센서 설치 및 운영관리에 요구되는 경제적 요소에 한계가 있다.In the case of artificial intelligence technology-based collision warning systems that have been researched and developed to date, the risk of collision has been profiled by learning associative memory through driving information collected over a long period of time through probe vehicles equipped with expensive sensors. , there are limits to the technical factors for highly reliable risk prediction and real-time risk notification derived through associative memory learned based on the optimal learning cycle, as well as the economic factors required for sensor installation and operation management.
본 발명의 실시예에서는, 스마트폰 및 거리측정 센서를 통해 획득되는 차량 운행정보와, 클라우드를 통해 수신한 도로구간 교통정보를 융합하여 실시간 추돌 위험도를 제공함으로써, 제조 단가를 줄이고 시스템 정확성을 높일 수 있는 차량 주행관리 시스템, 차량 주행관리를 위한 클라이언트 장치, 서버 장치 및 방법을 제공하고자 한다.In an embodiment of the present invention, real-time collision risk can be provided by fusing vehicle operation information obtained through smartphones and distance measurement sensors with road section traffic information received through the cloud, thereby reducing manufacturing costs and increasing system accuracy. The goal is to provide a vehicle driving management system, a client device, a server device, and a method for vehicle driving management.
본 발명의 제 1 실시예에 따르면, 차량의 주행정보를 수집하는 주행정보 수집부; 상기 차량의 전방에 설치된 거리 측정 센서에 의해 측정되는 전방 차량과의 거리 측정 정보를 수신하는 제1 통신부; 상기 차량의 주행정보와 상기 거리 측정 정보를 취합하는 제어부; 상기 제어부에서 취합된 주행정보를 네트워크를 통해 전송하거나, 상기 제어부에서 취합된 주행정보를 기반으로 한 도로 구간별 위험 감속도와, 적어도 둘 이상의 차량들에 대한 주행 이력정보를 기반으로 산출된 연상 메모리 데이터(Associative Memory Data)를 상기 네트워크를 통해 수신하는 제2 통신부를 포함하되, 상기 제어부는 상기 도로 구간별 위험 감속도 및 상기 연상 메모리 데이터를 기반으로 상기 차량의 추돌 위험도를 산출하는 차량 주행관리를 위한 클라이언트 장치를 제공할 수 있다.According to the first embodiment of the present invention, a driving information collection unit that collects driving information of a vehicle; a first communication unit that receives distance measurement information from a vehicle ahead measured by a distance measurement sensor installed in front of the vehicle; a control unit that collects driving information of the vehicle and the distance measurement information; The driving information collected by the control unit is transmitted via a network, or the dangerous deceleration rate for each road section is based on the driving information collected by the control unit, and associative memory data is calculated based on driving history information for at least two or more vehicles. A second communication unit that receives (Associative Memory Data) through the network, wherein the control unit calculates the collision risk of the vehicle based on the dangerous deceleration rate for each road section and the associative memory data for vehicle driving management. A client device can be provided.
여기서, 상기 추돌 위험도는, 상기 차량의 주행방향을 기준으로 전방의 제1 설정 도로 구간에서의 적어도 둘 이상의 차량들에 대한 감속도 정보에 의해 산출되는 장거리 추돌 위험도와, 상기 연상 메모리 데이터로 예측한 예측 위험도와 상기 차량의 제2 설정 도로 구간에서의 실제 주행 결과를 반복 비교한 결과에 의해 산출되는 단거리 추돌 위험도를 포함할 수 있다.Here, the collision risk is the long-distance collision risk calculated by deceleration information for at least two or more vehicles in the first set road section ahead based on the driving direction of the vehicle, and the risk of collision predicted by the associative memory data. It may include a short-distance collision risk calculated by repeatedly comparing the predicted risk with the actual driving result of the vehicle on the second set road section.
또한, 상기 제어부는, 상기 차량의 상기 제2 설정 도로 구간에서의 연상 메모리 데이터를 기반으로 상기 단거리 추돌 위험도를 예측 및 갱신할 수 있다.Additionally, the control unit may predict and update the short-distance collision risk based on associative memory data of the vehicle in the second set road section.
또한, 상기 차량의 주행정보는, 상기 차량의 속도, 가속도 및 감속도 중 적어도 하나를 포함할 수 있다.Additionally, the driving information of the vehicle may include at least one of the vehicle's speed, acceleration, and deceleration.
본 발명의 제 2 실시예에 따르면, 도로 구간별 교통 데이터를 수집하는 교통 데이터 수집부와, 네트워크를 통해 적어도 둘 이상의 차량들과 통신하는 통신부와, 상기 도로 구간별 교통 데이터를 기반으로 구간별 위험 감속도를 산출하고, 산출되는 상기 구간별 위험 감속도와 적어도 둘 이상의 차량으로부터 수신되는 주행정보를 기반으로 연상 메모리 데이터를 구축하며, 산출되는 상기 구간별 위험 감속도와 구축되는 상기 연상 메모리 데이터를 상기 통신부를 통해 상기 적어도 둘 이상의 차량에 송신하는 제어부를 포함하는 차량 주행관리를 위한 서버 장치를 제공할 수 있다.According to the second embodiment of the present invention, a traffic data collection unit that collects traffic data for each road section, a communication unit that communicates with at least two or more vehicles through a network, and a risk assessment for each section based on the traffic data for each road section. Calculate deceleration, construct associative memory data based on the calculated dangerous deceleration for each section and driving information received from at least two vehicles, and store the associative memory data based on the calculated dangerous deceleration for each section through the communication unit. It is possible to provide a server device for vehicle driving management that includes a control unit that transmits data to the at least two or more vehicles.
여기서, 상기 제어부는, 상기 구간별 위험 감속도를 갱신할 수 있다.Here, the control unit may update the dangerous deceleration rate for each section.
또한, 상기 제어부는, 상기 갱신되는 구간별 위험 감속도를 기반으로 연상 메모리 데이터를 학습할 수 있다.Additionally, the control unit may learn associative memory data based on the updated risk deceleration for each section.
본 발명의 제 3 실시예에 따르면, 차량의 전방면에 설치되어 전방 차량과의 거리를 측정하는 거리 측정 센서; 상기 차량의 주행정보를 수집하고, 수집된 상기 차량의 주행정보와 상기 거리 측정 센서에서 측정된 거리 측정 정보를 취합하는 클라이언트 장치; 교통 데이터를 수신하고, 수신되는 교통 데이터와 상기 클라이언트 장치에서 취합된 주행정보를 기반으로 도로 구간별 위험 감속도를 산출하며, 산출되는 상기 도로 구간별 위험 감속도를 기반으로 연상 메모리 데이터를 구축하고, 상기 도로 구간별 위험 감속도 및 상기 연상 메모리 데이터를 상기 클라이언트 장치로 전송하는 서버 장치를 포함하는 차량 주행관리 시스템을 제공할 수 있다.According to a third embodiment of the present invention, a distance measurement sensor is installed on the front of the vehicle to measure the distance to the vehicle in front; a client device that collects driving information of the vehicle and combines the collected driving information of the vehicle and distance measurement information measured by the distance measurement sensor; Receives traffic data, calculates dangerous deceleration for each road section based on the received traffic data and driving information collected from the client device, and builds associative memory data based on the calculated dangerous deceleration for each road section. , It is possible to provide a vehicle driving management system including a server device that transmits the dangerous deceleration rate for each road section and the associative memory data to the client device.
여기서, 상기 클라이언트 장치는 상기 서버 장치로부터 수신되는 상기 도로 구간별 위험 감속도 및 상기 연상 메모리 데이터를 기반으로 추돌 위험도를 산출할 수 있다.
본 발명의 제 4 실시예에 따르면, 도로 구간별 교통 데이터를 수집하는 단계와, 상기 도로 구간별 교통 데이터를 기반으로 구간별 위험 감속도를 산출하는 단계와, 산출되는 상기 구간별 위험 감속도와 적어도 둘 이상의 차량으로부터 수신되는 주행정보를 기반으로 연상 메모리 데이터를 구축하는 단계와, 산출되는 상기 구간별 위험 감속도와 구축되는 상기 연상 메모리 데이터를 상기 적어도 둘 이상의 차량에 송신하는 단계를 포함하는, 차량 주행관리를 위한 서버 장치가 수행하는 차량 주행관리 방법을 제공할 수 있다.
여기서, 상기 구간별 위험 감속도를 갱신하는 단계를 더 포함할 수 있다.
또한, 상기 갱신되는 구간별 위험 감속도를 기반으로 상기 연상 메모리 데이터를 학습하는 단계를 더 포함할 수 있다.
본 발명의 제 5 실시예에 따르면, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 상기 차량 주행관리 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.Here, the client device may calculate a collision risk based on the dangerous deceleration rate for each road section and the associative memory data received from the server device.
According to a fourth embodiment of the present invention, collecting traffic data for each road section, calculating a dangerous deceleration rate for each section based on the traffic data for each road section, and calculating the dangerous deceleration rate for each section and at least Constructing associative memory data based on driving information received from two or more vehicles, and transmitting the calculated dangerous deceleration for each section and the constructed associative memory data to the at least two or more vehicles. A vehicle driving management method performed by a server device for management can be provided.
Here, the step of updating the dangerous deceleration rate for each section may be further included.
In addition, the step of learning the associative memory data based on the updated risk deceleration for each section may be further included.
According to a fifth embodiment of the present invention, a computer-readable recording medium storing a computer program, wherein the computer program, when executed by a processor, includes instructions for causing the processor to perform the vehicle driving management method. A computer-readable recording medium can be provided.
본 발명의 실시예에 의하면, 스마트폰 및 거리측정 센서를 통해 획득되는 차량 운행정보와, 클라우드를 통해 수신한 도로구간 교통정보를 융합하여 각각의 차량에 대한 실시간 추돌 위험도를 제공함으로써, 근접 선행 차량과의 추돌 사고 위험 식별뿐만 아니라 주행도로 구간에서 잠재적으로 발생 가능한 추돌사고 위험도를 사전에 파악할 수 있다.According to an embodiment of the present invention, vehicle operation information obtained through a smartphone and a distance measurement sensor and road section traffic information received through the cloud are fused to provide a real-time collision risk for each vehicle, thereby providing a close preceding vehicle. In addition to identifying the risk of a collision with a vehicle, it is also possible to identify in advance the risk of a collision that could potentially occur on a section of the road.
또한, 본 발명의 실시예에 의하면, 차량에 기 장착되어 있는 거리측정 센서와 사용자의 스마트폰 등을 통해 실시간 추돌 위험도를 제공함으로써, 차량 주행관리 시스템의 제조 단가를 줄이고 시스템 정확성을 높일 수 있는 차량 주행관리 서비스 환경을 제공할 수 있다.In addition, according to an embodiment of the present invention, a vehicle can reduce the manufacturing cost of the vehicle driving management system and increase system accuracy by providing real-time collision risk through the distance measurement sensor already installed in the vehicle and the user's smartphone. A driving management service environment can be provided.
도 1은 본 발명의 실시예에 따른 차량 주행관리 시스템에 대한 블록도,
도 2는 본 발명의 실시예에 따른 차량 주행관리를 위한 클라이언트 장치에 대한 블록도,
도 3은 본 발명의 실시예에 따른 차량 주행관리를 위한 서버 장치에 대한 블록도,
도 4는 본 발명의 실시예에 따른 클라이언트 장치의 차량 주행관리 방법을 예시적으로 설명하는 흐름도,
도 5a는 클라이언트 장치에서 수행되는 장거리 추돌 위험도 산출 과정을 예시적으로 설명하는 도면,
도 5b는 클라이언트 장치에서 수행되는 단거리 추돌 위험도 산출 과정을 예시적으로 설명하는 도면,
도 6은 본 발명의 실시예에 따라 단거리 추돌 위험도를 산출하는데 사용되는 인공신경망 네트워크 구조도,
도 7은 본 발명의 실시예에 따른 서버 장치의 차량 주행관리 방법을 예시적으로 설명하는 흐름도.1 is a block diagram of a vehicle driving management system according to an embodiment of the present invention;
Figure 2 is a block diagram of a client device for vehicle driving management according to an embodiment of the present invention;
3 is a block diagram of a server device for vehicle driving management according to an embodiment of the present invention;
4 is a flowchart illustrating a vehicle driving management method of a client device according to an embodiment of the present invention;
5A is a diagram illustrating an example of a long-distance collision risk calculation process performed on a client device;
5B is a diagram illustrating an example of a short-distance collision risk calculation process performed on a client device;
Figure 6 is an artificial neural network network structure diagram used to calculate short-distance collision risk according to an embodiment of the present invention;
Figure 7 is a flowchart illustrating a vehicle driving management method of a server device according to an embodiment of the present invention.
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 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are merely provided to ensure that the disclosure of the present invention is complete and to be understood by those skilled in the art. It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In describing embodiments of the present invention, if a detailed description of a known function or configuration is judged to unnecessarily obscure the gist of the present invention, the detailed description will be omitted. The terms described below are terms defined in consideration of functions in the embodiments of the present invention, and may vary depending on the intention or custom of the user or operator. Therefore, the definition should be made based on the contents throughout this specification.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.Combinations of each block in the attached block diagram and each step in the flow diagram may be performed by computer program instructions. Since these computer program instructions can be mounted on the processor of a general-purpose computer, special-purpose computer, or other programmable data processing equipment, the instructions performed through the processor of the computer or other programmable data processing equipment are shown in each block of the block diagram or flow diagram. Each step creates the means to perform the functions described. These computer program instructions may also be stored in computer-usable or computer-readable memory that can be directed to a computer or other programmable data processing equipment to implement a function in a particular manner, so that the computer-usable or computer-readable memory The instructions stored in can also produce manufactured items containing instruction means that perform the functions described in each block of the block diagram or each step of the flow diagram. Computer program instructions can also be mounted on a computer or other programmable data processing equipment, so that a series of operational steps are performed on the computer or other programmable data processing equipment to create a process that is executed by the computer, thereby generating a process that is executed by the computer or other programmable data processing equipment. Instructions that perform processing equipment may also provide steps for executing functions described in each block of the block diagram and each step of the flow diagram.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.Additionally, each block or each step may represent a module, segment, or portion of code that includes one or more executable instructions for executing specified logical function(s). Additionally, it should be noted that in some alternative embodiments it is possible for the functions mentioned in blocks or steps to occur out of order. For example, two blocks or steps shown in succession may in fact be performed substantially simultaneously, or the blocks or steps may sometimes be performed in reverse order depending on the corresponding function.
실시예의 설명에 앞서, 본 발명은 현재 널리 보편화 되어 사용되고 있는 스마트폰과 비교적 가격이 저렴한 차량용 거리측정 센서를 활용하여 실시간 추돌 위험도 및 선행차량과의 거리를 산출하고, 스마트폰 내 기 설치되어 있는 센서로 자차의 주행속도, 가속도 등의 운행정보를 취득 후 거리측정 센서 및 스마트폰 내부 센서 정보를 통합하여 클라우드 서버로 전송하며, 클라우드 서버에서는 도로 구간 별 운행정보를 수집하고 교통 이력데이터를 기반으로 구간별 위험 감속도를 산출하여 주행차량 위치한 구간의 위험도 정보와 위험 감속도를 기반으로 한 구간별 연상 메모리 사전 학습 정보를 스마트폰으로 전송함으로써, 각 도로 구간별 위험감속도 및 예비 연상 메모리 데이터를 기반으로 도로 구간 위험도(장거리 추돌 위험도)와 스마트폰으로 업데이트된 연상 메모리 학습을 통해 예측된 실시간 추돌 위험도(단거리 추돌 위험도)를 스마트폰 사용자에게 제공하고자 하는 것으로, 이러한 기술사상으로부터 본 발명의 목적으로 하는 바를 용이하게 달성할 수 있을 것이다.Prior to the description of the embodiment, the present invention calculates the real-time collision risk and the distance to the preceding vehicle by utilizing smartphones, which are currently widely used and widely used, and relatively inexpensive vehicle distance measurement sensors, and calculates the real-time collision risk and the distance to the preceding vehicle, and uses the sensor installed in the smartphone. After acquiring driving information such as the vehicle's driving speed and acceleration, it integrates the distance measurement sensor and the smartphone's internal sensor information and transmits it to the cloud server. The cloud server collects driving information for each road section and reports the section based on traffic history data. By calculating the risk deceleration for each road section and transmitting the risk information of the section where the vehicle is located and the associative memory pre-learning information for each section based on the risk deceleration to the smartphone, the risk deceleration for each road section is based on the preliminary associative memory data. The purpose of the present invention is to provide smartphone users with the road section risk (long-distance collision risk) and the real-time collision risk (short-distance collision risk) predicted through associative memory learning updated with the smartphone. You will be able to easily achieve the bar.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 실시예에 따른 차량 주행관리 시스템에 대한 블록도로서, 거리 측정 센서(10), 제1 네트워크(20a), 제2 네트워크(20b), 클라이언트 장치(100), 서버 장치(200) 등을 포함할 수 있다.1 is a block diagram of a vehicle driving management system according to an embodiment of the present invention, including a
도 1에 도시한 바와 같이, 거리 측정 센서(10)는 차량의 전방면에 설치되어 전방 차량과의 거리를 측정하고, 측정된 거리 측정 정보를 클라이언트 장치(100)에게 전송할 수 있다. 이러한 거리 측정 센서(10)는, 예를 들면 초음파 센서, 적외선 센서, 레이저 센서 등이 적용될 수 있다.As shown in FIG. 1, the
제1 네트워크(20a)는 거리 측정 센서(10)에서 측정된 거리 측정 정보를 클라이언트 장치(100)로 전송하기 위한 네트워크 시스템으로서, 예를 들어 블루투스 통신 시스템, 적외선 통신 시스템 등의 근거리 네트워크 시스템을 포함할 수 있다.The
도 1에서 제1 네트워크(20a)는 거리 측정 센서(10)와 클라이언트 장치(100)가 무선으로 연결되는 것으로 도시하였으나, 이는 예시일 뿐이며 클라이언트 장치(100)의 접속 환경에 따라 OBD(On-Board Diagnostic), OBD-Ⅱ 등의 유선 네트워크 시스템이 적용될 수 있음을 당업자라면 용이하게 알 수 있을 것이다.In FIG. 1, the
클라이언트 장치(100)는 도시 생략된 차량의 주행정보, 예컨대 차량의 속도, 가속도, 감속도 등의 주행정보를 측정하고, 측정된 주행정보와 제1 네트워크(20a)를 통해 거리 측정 센서(10)로부터 전송되는 거리 측정 정보를 취합하여 서버 장치(200)로 전송하는 역할을 할 수 있다.The
이러한 클라이언트 장치(100)는, 예를 들어 스마트폰(smart phone), 스마트 패드(smart pad), 태블릿 PC(tablet Personal Computer) 등과 같은 모바일 단말 장치를 포함할 수 있다.This
또한, 클라이언트 장치(100)에는 차량의 주행정보를 측정하기 위한 애플리케이션이 탑재될 수 있으며, 이러한 애플리케이션을 통해 차량의 주행정보를 측정할 수 있다.Additionally, the
도 1에서 하나의 클라이언트 장치(100)를 도시하였으나, 이는 예시일 뿐이며, 제2 네트워크(20b)로 다수의 클라이언트 장치들이 접속될 수 있음을 당업자라면 용이하게 이해할 수 있을 것이다.Although one
제2 네트워크(20b)는 광대역 무선통신 네트워크를 포함할 수 있으며, 클라이언트 장치(100)에서 취합된 주행정보를 서버 장치(200)로 전송하거나, 서버 장치(200)에서 제공된 도로 구간별 위험 감속도 및 연상 메모리 데이터를 클라이언트 장치(100)로 전송하는 역할을 할 수 있다.The
이러한 제2 네트워크(20b)는, 클라이언트 장치(100)의 호 설정 및 자원 할당에 관여하는 것으로, 도면에는 도시하지 않았으나 제2의 다른 클라이언트 장치의 호 설정 및 자원 할당에 관여하는 네트워크가 구축될 수 있음을 본 발명의 기술 분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이와 같은 제2 네트워크(20b)는 클라이언트 장치(100)의 이동성을 보장하는 역할을 하며, 핸드 오버 및 무선 자원을 관리하는 기능을 수행할 수 있다. 제2 네트워크(20b)는 기지국 및 기지국 제어기를 포함하여 구성될 수 있으며, 동기식 및 비동기식을 모두 지원할 수 있다.This
도 2는 본 발명의 실시예에 따른 차량 주행관리를 위한 클라이언트 장치(100)에 대한 블록도로서, 입력부(102), 제어부(104), 주행정보 수집부(106), 통신부(108), 저장부(110), 표시부(112) 등을 포함할 수 있다.Figure 2 is a block diagram of a
도 2에 도시한 바와 같이, 입력부(102)는 클라이언트 장치(100)의 동작 수행을 명령하기 위한 것으로, 예를 들어 터치 패드(touch pad)를 포함할 수 있다.As shown in FIG. 2, the
제어부(104)는 입력부(102)의 명령에 대응하여 클라이언트 장치(100)의 전반적인 동작을 제어하는 역할을 하며, 본 발명의 실시예에서는 후술하는 주행정보 수집부(106)에서 수집되는 차량의 주행정보와 거리 측정 센서(10)에서 측정되는 거리 측정 정보를 취합할 수 있다.The
특히, 제어부(104)는 본 발명의 실시예에 따라 서버 장치(200)로부터 제공되는 도로 구간별 위험 감속도 및 연상 메모리 데이터를 기반으로 차량의 추돌 위험도를 산출하는 역할을 할 수 있다.In particular, the
구체적으로 제어부(104)는 차량의 주행방향을 기준으로 전방의 제1 설정 도로 구간에서의 적어도 둘 이상의 차량들에 대한 감속도 정보에 대한 장거리 추돌 위험도와, 연상 메모리 데이터로 예측한 예측 위험도와 차량의 제2 설정 도로 구간에서의 실제 주행 결과를 반복 비교한 결과에 대한 단거리 추돌 위험도를 산출할 수 있다.Specifically, the
또한, 제어부(104)는 차량의 제2 설정 도로 구간에서의 연상 메모리 데이터를 기반으로 단거리 추돌 위험도를 예측 및 갱신할 수 있다.Additionally, the
주행정보 수집부(106)는 차량의 주행정보를 수집하는 역할을 한다. 이러한 주행정보 수집부(106)는 클라이언트 장치(100) 내에 탑재되는 애플리케이션, 예컨대 차량의 속도, 가속도, 감속도 등을 측정할 수 있는 애플리케이션을 포함할 수 있다.The driving
통신부(108)는 제어부(104)에서 취합된 주행정보를 제2 네트워크(20b)로 전송하기 위한 통신 수단이다. 이러한 통신부(108)는 제어부(104)에서 취합된 주행정보를 기반으로 한 도로 구간별 위험 감속도와, 적어도 둘 이상의 차량들에 대한 주행 이력정보를 기반으로 산출된 연상 메모리 데이터를 수신하고, 수신되는 이들 데이터를 제어부(104)로 전달하는 역할을 할 수 있다.The
저장부(110)는 클라이언트 장치(100)의 주행정보 수집부(106)를 통해 수집되는 차량 주행정보와, 거리 측정 센서(10)를 통해 측정되는 거리 측정 정보를 저장할 수 있다.The
표시부(112)는 제어부(104)의 제어하에 클라이언트 장치(100)의 각종 동작 정보들을 표시하기 위한 수단으로, 예를 들어 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diode) 등의 표시 수단들을 포함할 수 있다.The
특히, 표시부(112)는 본 발명의 실시예에 따라 산출되는 장거리 추돌 위험도 및 단거리 추돌 위험도를 표시할 수 있다.In particular, the
도 3은 본 발명의 실시예에 따른 차량 주행관리를 위한 서버 장치(200)에 대한 블록도로서, 입력부(202), 제어부(204), 교통 데이터 수집부(206), 통신부(208), 교통 DB(210), 위험 감속도 DB(212), 연상 메모리 DB(214), 클라이언트 DB(216) 등을 포함할 수 있다.Figure 3 is a block diagram of a
입력부(202)는 서버 장치(200)의 동작 수행을 명령하기 위한 것으로, 예를 들어 터치 패드, 키 패드 등을 포함할 수 있다.The
제어부(204)는 입력부(202)의 명령에 대응하여 서버 장치(200)의 전반적인 동작을 제어하는 역할을 하며, 본 발명의 실시예에서는 후술하는 교통 데이터 수집부(206)를 통해 수집되는 도로 구간별 교통 데이터를 기반으로 구간별 위험 감속도를 산출하고, 산출되는 구간별 위험 감속도와 적어도 둘 이상의 차량으로부터 수신되는 주행정보를 기반으로 연상 메모리 데이터를 구축하며, 산출되는 구간별 위험 감속도와 구축되는 연상 메모리 데이터를 후술하는 통신부(208)를 통해 적어도 둘 이상의 차량에 송신하는 역할을 수행한다.The
이때, 제어부(204)는 구간별 위험 감속도를 갱신할 수 있으며, 갱신되는 구간별 위험 감속도를 기반으로 연상 메모리 데이터를 학습할 수 있다.At this time, the
교통 데이터 수집부(206)는 도로 구간별 교통 데이터를 수집하는 역할을 한다.The traffic
통신부(208)는 제어부(204)에서 산출된 구간별 위험 감속도와, 이러한 구간별 위험 감속도 및 클라이언트 장치(100)의 주행정보를 기반으로 한 연상 메모리 데이터를 제2 네트워크(20b)로 전송하기 위한 통신 수단이다.The
교통 DB(210)는 교통 데이터 수집부(206)를 통해 수집되는 도로 구간별 교통 데이터를 저장하며, 위험 감속도 DB(212)는 제어부(204)를 통해 산출되는 구간별 위험 감속도 정보를 저장할 수 있다.The
연상 메모리 DB(214)는 제어부(204)를 통해 산출되는 구간별 위험 감속도와 적어도 둘 이상의 차량으로부터 수신되는 주행정보를 기반으로 한 연상 메모리 데이터를 저장할 수 있다.The
클라이언트 DB(216)는 클라이언트 장치(100)에 대한 정보, 예를 들어 클라이언트 장치(100)의 사용자 정보, 차량 정보 등을 저장할 수 있다.The
이들 DB들(210, 212, 214, 216)은 제어부(204)에 의해 관리되어 필요한 정보들을 저장되거나 다시 제어부(204)로 제공하는 역할을 하며, 이들 DB들(210, 212, 214, 216)은 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이터베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이터베이스 관리 시스템(OODBMS)을 이용하여 본 발명의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(field)들을 가지고 있다.These DBs (210, 212, 214, 216) are managed by the
도 4는 본 발명의 실시예에 따른 클라이언트 장치(100)의 차량 주행관리 방법을 예시적으로 설명하는 흐름도이다.Figure 4 is a flowchart illustrating a vehicle driving management method of the
도 4에 도시한 바와 같이, 클라이언트 장치(100)는 차량 주행관리 모드가 활성화 되는지를 판단하고(S100), 차량 주행관리 모드가 활성화되면 클라이언트 장치(100)는 주행정보 수집부(106)를 통해 주행정보를 수집할 수 있다(S102).As shown in FIG. 4, the
이후, 클라이언트 장치(100)는 거리 측정 센서(10)로부터 거리 측정 정보가 수신되는지를 판단하고(S104), 거리 측정 정보가 수신되면 수신되는 거리 측정 정보를 주행정보에 취합할 수 있다(S106).Thereafter, the
그리고 클라이언트 장치(100)는 취합된 주행정보를 서버 장치(200)로 전송할 수 있다(S108).And the
이렇게 취합된 주행정보가 서버 장치(200)로 전송된 후, 클라이언트 장치(100)는 서버 장치(200)로부터 구간별 위험 감속도 및 연상 메모리 데이터를 수신할 수 있다(S110).After the collected driving information is transmitted to the
이후, 클라이언트 장치(100)는 서버 장치(200)로부터 수신된 구간별 위험 감속도 및 연상 메모리 데이터를 기반으로 장거리 추돌 위험도 및 단거리 추돌 위험도를 산출할 수 있다(S112).Thereafter, the
본 발명의 실시예에 따른 추돌 위험도는 임계 감속도와 운행중인 차량의 운동학적 특징에 따른 가속도 및 감속도를 비교/예측하여 산출될 수 있다. 이러한 추돌 위험도는 통계학적 기법을 기반으로 하는 장거리 추돌 위험도와, 인공지능 기법을 적용한 단거리 추돌 위험도로 구분할 수 있다.The collision risk according to an embodiment of the present invention can be calculated by comparing/predicting the critical deceleration rate and the acceleration and deceleration rate according to the kinematic characteristics of the vehicle in operation. This collision risk can be divided into a long-distance collision risk based on statistical techniques and a short-distance collision risk using artificial intelligence techniques.
먼저, 장거리 추돌 위험도는 클라우드 환경에서 취득된 도로 구간별 교통 이력 데이터를 기반으로 도로 구간별 임계감속도(위험감속도)를 산출하고, 이를 차량 운전자 및 서비스 운영자에게 제공하여 도로 구간별 사고 위험도를 알려주는 기능을 한다. 이를 위하여 주행 차량이 위치한 도로 구간의 기하적 구역을 사전에 정의된 물리적 거리를 기점으로 상류부와 하류부로 구분하며, 하류부의 도로 구간의 위험 감속도 정보를 상류부에 위치해 있는 차량 운전자에게 제공할 수 있다.First, the long-distance collision risk calculates the critical deceleration (critical deceleration) for each road section based on traffic history data for each road section acquired in a cloud environment, and provides this to vehicle drivers and service operators to determine the accident risk for each road section. It has an informing function. To this end, the geometric area of the road section where the driving vehicle is located is divided into upstream and downstream sections based on a pre-defined physical distance, and information on the dangerous deceleration of the road section in the downstream section is provided to the vehicle driver located in the upstream section. You can.
단거리 사고 위험도의 경우 패턴인식에 활용되는 인공지능 기술 중 인공신경망 기법을 활용하며, 서버 장치(200)에서 주행차량 사용자의 클라이언트 장치(100)로 제공된 도로 구간별 위험감속도 및 예비 연상 메모리를 기반으로 하여 단위 시간 별로 연상메모리 학습 및 추돌 위험 수준 예측과정을 반복하여 도출된 추돌 위험 수준에 의거하여 위험도 산출 및 시·청각 추돌 경고를 제공한다.In the case of short-distance accident risk, the artificial neural network technique is used among the artificial intelligence technologies used for pattern recognition, and is based on the risk deceleration for each road section and preliminary association memory provided from the
학습시간이 길면 실시간으로 추돌 경고 서비스를 제공할 수 없고 학습시간이 짧아지면 연상메모리 부적합(Underfitting) 현상으로 인해 추돌 위험도 산출 결과의 정확도가 낮아짐에 따라, 학습 및 예측을 위한 단위 시간 최적화를 필요로 한다.If the learning time is long, real-time collision warning service cannot be provided, and if the learning time is short, the accuracy of the collision risk calculation results decreases due to the associative memory underfitting phenomenon, requiring unit time optimization for learning and prediction. do.
따라서, 본 발명의 실시예에서 제안하는 주행관리 기술은, 서버 장치(200)에서 수집된 도로 구간별 운행 정보 이력자료를 기반으로 하여 산출된 (예비)연상 메모리로 예측한 위험 수준(예측치)과 실제 주행 결과(관측치)를 비교하여 해당 구간에서 클라이언트 장치(100)가 연상 메모리 학습 및 추돌 경보 제공을 위한 예측 주기 시간 대비 정확도가 가장 높은 단위 주기(RPn)를 산출하여 사용하며, 구체적인 학습규칙(Associative Memory Learning Rule)과 연상 메모리 갱신 규칙(Associative Memory Updating Rule) 방법은 다음과 같다.Therefore, the driving management technology proposed in the embodiment of the present invention includes the risk level (predicted value) predicted by the (preliminary) association memory calculated based on the driving information history data for each road section collected by the
은닉층의 활성화 벡터를 netj, 입력층과 은닉층 간의 연상메모리를 V, X를 입력층 뉴런의 입력 벡터라 할 때 다음과 같은 [수학식 1]이 성립할 수 있다.When the activation vector of the hidden layer is net j , the associative memory between the input layer and the hidden layer is V, and X is the input vector of the input layer neuron, the following [Equation 1] can be established.
위의 연상메모리 계산식을 기반으로 다음과 같은 [수학식 2]의 관계에 의거하여 입력층과 은닉층 간의 연상메모리 조정 값(Δvji)을 산출할 수 있다.Based on the above associative memory calculation formula, the associative memory adjustment value (Δv ji ) between the input layer and the hidden layer can be calculated based on the following relationship in [Equation 2].
여기서,here,
η : 학습 속도 계수 η : learning rate coefficient
E : 현 시점의 에러 값 E : Error value at the current time
j : 은닉층의 j번째 벡터 j : jth vector of hidden layer
i : 입력층의 i번째 벡터 i : ith vector of input layer
J : 은닉층 뉴런 개수 J: Number of hidden layer neurons
I : 입력층 뉴런 개수 I: Number of input layer neurons
[수학식 2]는 다음과 같은 [수학식 3]으로 표기가 가능하다.[Equation 2] can be written as [Equation 3] as follows.
여기서, δ yj 는 은닉층의 j로부터 산출되는 에러 신호로써, 출력 값 y를 가진다.Here, δ yj is an error signal calculated from j of the hidden layer and has an output value y .
δyj는 다음 [수학식 4]와 같이 산출 가능하다.δ yj can be calculated as follows [Equation 4].
[수학식 4]의 ∂E/yj는 [수학식 5]와 같이 표현 가능하다.∂E/y j in [Equation 4] can be expressed as [Equation 5].
K : 출력층 뉴런 개수 K : Number of output layer neurons
d k : 출력층 k 번째 뉴런의 목표값 d k : Target value of the kth neuron in the output layer
[수학식 5]는 다음 [수학식 6]과 같이 나타낼 수 있다.[Equation 5] can be expressed as [Equation 6].
따라서 [수학식 3]과 [수학식 4]에 의거하여 다음 [수학식 7] 및 [수학식 8]로 나타낼 수 있다.Therefore, based on [Equation 3] and [Equation 4], it can be expressed as [Equation 7] and [Equation 8].
w kj : 은닉층과 입력층 간의 연상메모리 w kj : Associative memory between hidden layer and input layer
δ ok : 은닉층의 k로부터 산출되는 에러 신호로써, 출력 값 o를 가지며 [수학식 9]와 같이 산출 가능하다. δ ok : An error signal calculated from k of the hidden layer, has an output value o and can be calculated as in [Equation 9].
o k : 출력층 k 번째 뉴런의 출력값 o k : output value of the kth neuron in the output layer
위와 같은 방법을 통해 은닉층의 에러 신호를 다음 [수학식 10]과 같이 나타낼 수 있다.Through the above method, the error signal of the hidden layer can be expressed as follows [Equation 10].
이와 같은 [수학식 1] 내지 [수학식 10]을 통해 연상 메모리를 학습하고 학습된 연상 메모리를 갱신규칙인 모멘텀 기법(Momentum Method)에 의거하여 아래 [수학식 11]과 [수학식 12]와 같이 업데이트할 수 있다.Associative memory is learned through [Equation 1] to [Equation 10], and the learned associative memory is updated using [Equation 11] and [Equation 12] below based on the Momentum Method, which is an update rule. We can update together.
α : 모멘텀 계수 α : Momentum coefficient
도 5a는 클라이언트 장치(100)에서 수행되는 장거리 추돌 위험도 산출 과정을 예시적으로 설명하는 도면이고, 도 5b는 클라이언트 장치(100)에서 수행되는 단거리 추돌 위험도 산출 과정을 예시적으로 설명하는 도면이다.FIG. 5A is a diagram illustrating a long-distance collision risk calculation process performed by the
본 발명에서 제안하는 단거리 추돌 위험도는 도 5b의 하단에 나타낸 것과 같이, 단위 도로 구간의 가상(Virtual) 분할을 통해 연상메모리의 학습 및 예측을 위한 최적의 계산 단위 주기(RPn)를 거리 측정 센서(10), 클라이언트 장치(100) 및 서버 장치(200)를 통해 취득되는 교통 이력 데이터를 기반으로 도출하여 사용함에 따라 인공지능 기술을 적용한 추돌 경고 서비스를 실시간으로 제공할 수 있게 한다.As shown at the bottom of FIG. 5B, the short-distance collision risk proposed in the present invention determines the optimal calculation unit cycle (RPn) for learning and prediction of associative memory through virtual division of unit road sections using a distance measurement sensor (RPn). 10), By deriving and using traffic history data acquired through the
본 발명의 실시예에서는 도 6의 인공신경망 네트워크 구조를 기반으로 하여, [수학식 1]~[수학식 12]에 따라 학습 및 예측 과정 의거하여 도출된 결과물을 기반으로 예측 주기 시간을 산정하며, 실시간 추돌 경고 제공을 위한 물리적 연산 시간 및 정확도 측면에서 종래의 시스템보다 좋은 성능을 보이는 것으로 시뮬레이션 결과를 통해 확인하였다.In an embodiment of the present invention, based on the artificial neural network structure of FIG. 6, the prediction cycle time is calculated based on the results derived from the learning and prediction process according to [Equation 1] to [Equation 12], It was confirmed through simulation results that it performed better than the conventional system in terms of physical calculation time and accuracy for providing real-time collision warning.
도 7은 본 발명의 실시예에 따른 서버 장치(200)의 차량 주행관리 방법을 예시적으로 설명하는 흐름도이다.Figure 7 is a flowchart illustrating a vehicle driving management method of the
도 7에 도시한 바와 같이, 서버 장치(200)의 제어부(204)는 교통 데이터 수집부(206)를 통해 교통 데이터가 수신되는지를 판단하고(S200), 교통 데이터가 수신되면 수신되는 교통 데이터의 이력 정보를 기반으로 구간별 위험 감속도를 산출할 수 있다(S202).As shown in FIG. 7, the
이후, 제어부(204)는 구간별 각 차량의 주행정보가 수신되는지를 판단할 수 있다(S204). 이때의 주행정보는 클라이언트 장치(100)의 주행정보도 포함될 수 있다.Afterwards, the
단계(S204)에서의 판단 결과, 구간별 각 차량의 주행정보가 수신되면 제어부(204)는 기존 구간별 위험 감속도를 갱신할 수 있다(S206). 이때, 기존 구간별 위험 감속도와 갱신되는 구간별 위험 감속도는 위험 감속도 DB(212)에 저장될 수 있다.As a result of the determination in step S204, when the driving information of each vehicle for each section is received, the
이후, 제어부(204)는 갱신되는 위험 감속도를 기반으로 연상 메모리 데이터를 학습하고(S208), 학습되는 연상 메모리 데이터를 연상 메모리 DB(214)에 저장할 수 있다.Thereafter, the
이후, 제어부(204)는 구간별 위험 감속도 및 연상 메모리 데이터를 클라이언트 장치(100)로 전송할 수 있다(S210).Thereafter, the
본 발명에서 제안하는 시스템 및 그 방법은 현재 널리 보급되어 사용되고 있는 스마트폰을 기반으로 하여 시청각 경고를 동시에 줄 수 있어 시스템 성능의 효율성을 높일 수 있으며, 스마트폰과 저렴한 거리 측정 센서 및 클라우드 서버를 사용함에 따라 추돌 위험 경고 기능을 수행하기 위한 고가의 차량용 노변 기기 및 센서 설치를 위한 비용을 최소화 할 수 있다.The system and method proposed in the present invention are based on smartphones, which are currently widely used and widely used, and can simultaneously provide audio and visual warnings, thereby increasing the efficiency of system performance. It uses smartphones, inexpensive distance measurement sensors, and cloud servers. Accordingly, the cost of installing expensive vehicle roadside devices and sensors to perform the collision risk warning function can be minimized.
교통 공학적 특성 및 통계기법을 활용한 장거리 사고 위험도 제공 방안을 통해 인접한 차량에 대한 인식 및 추돌경고만 가능했던 차량용 센서 기반의 종래 시스템의 접근방법을 보완함과 동시에, 도로 교통안전 관리자 차원에서 효과적으로 위험도를 모니터링 할 수 있으며, 스마트폰 및 클라우드 서버를 위험도 산출에 적용함으로써 서버에서 계산에 필요한 컴퓨팅 부하를 절감하고 각각의 스마트폰으로 컴퓨팅 부하를 분산시킬 수 있다.By providing long-distance accident risk using traffic engineering characteristics and statistical techniques, we complement the approach of conventional systems based on automotive sensors, which were only capable of recognizing adjacent vehicles and providing collision warnings, while also effectively reducing risk at the level of road traffic safety managers. can be monitored, and by applying smartphones and cloud servers to risk calculation, the computing load required for calculations on the server can be reduced and the computing load can be distributed to each smartphone.
또한, 인공지능 기술을 적용한 단거리 사고 위험도 산출 및 추돌 경고 기법의 경우 국외적으로도 실시간으로 범용적 사용 가능한 인공지능 기술이 개발된 적이 없으며, 추돌 경고 알림 시기 측면에서 종래의 추돌 경고 시스템에 적용되는 방법론들과 비교하였을 때 우수한 성능을 보이는 것으로 시뮬레이션 결과를 통해 도출됨에 따라, 관련 기술의 해외 수출까지 고려 가능할 것으로 전망된다.In addition, in the case of short-distance accident risk calculation and collision warning techniques using artificial intelligence technology, artificial intelligence technology that can be used universally in real time has never been developed even overseas, and in terms of collision warning notification timing, it is not applicable to the conventional collision warning system. As the simulation results show excellent performance when compared to methodologies, it is expected that overseas export of related technologies can be considered.
본 발명에 따른 주행관리 시스템을 적용할 경우, 차세대 추돌 경고 시스템이라 할 수 있는 차량 간 통신(V2V) 기반의 추돌 경고 시스템을 대체하여 적용이 가능하다.When applying the driving management system according to the present invention, it can be applied to replace the vehicle-to-vehicle communication (V2V)-based collision warning system, which can be called the next-generation collision warning system.
이상 설명한 바와 같은 본 발명의 실시예에 의하면, 스마트폰 및 거리측정 센서를 통해 획득되는 차량 운행정보와, 클라우드를 통해 수신한 도로구간 교통정보를 융합하여 각각의 차량에 대한 실시간 추돌 위험도를 제공함으로써, 근접 선행 차량과의 추돌 사고 위험 식별뿐만 아니라 주행도로 구간에서 잠재적으로 발생 가능한 추돌사고 위험도를 사전에 파악할 수 있다. 또한, 본 발명의 실시예에 의하면, 차량에 기 장착되어 있는 거리측정 센서와 사용자의 스마트폰 등을 통해 실시간 추돌 위험도를 제공함으로써, 차량 주행관리 시스템의 제조 단가를 줄이고 시스템 정확성을 높일 수 있는 차량 주행관리 서비스 환경을 제공할 수 있다.According to the embodiment of the present invention as described above, real-time collision risk for each vehicle is provided by fusing vehicle operation information obtained through a smartphone and a distance measurement sensor and road section traffic information received through the cloud. , In addition to identifying the risk of a collision with a vehicle preceding close by, it is possible to identify in advance the risk of a collision that could potentially occur in the section of the road being driven. In addition, according to an embodiment of the present invention, a vehicle can reduce the manufacturing cost of the vehicle driving management system and increase system accuracy by providing real-time collision risk through the distance measurement sensor already installed in the vehicle and the user's smartphone. A driving management service environment can be provided.
10: 거리 측정 센서
20a: 제1 네트워크
20b: 제2 네트워크
100: 클라이언트 장치
200: 서버 장치10: Distance measurement sensor
20a: first network
20b: second network
100: Client device
200: server device
Claims (13)
상기 차량의 전방에 설치된 거리 측정 센서에 의해 측정되는 전방 차량과의 거리 측정 정보를 수신하는 제1 통신부;
상기 차량의 주행정보와 상기 거리 측정 정보를 취합하는 제어부; 및
상기 제어부에서 취합된 주행정보를 네트워크를 통해 전송하거나, 상기 제어부에서 취합된 주행정보를 기반으로 한 도로 구간별 위험 감속도와, 적어도 둘 이상의 차량들에 대한 주행 이력정보를 기반으로 산출된 연상 메모리 데이터(Associative Memory Data)를 상기 네트워크를 통해 수신하는 제2 통신부;를 포함하되,
상기 제어부는 상기 도로 구간별 위험 감속도 및 상기 연상 메모리 데이터를 기반으로 상기 차량의 추돌 위험도를 산출하고,
상기 추돌 위험도는, 상기 차량의 주행방향을 기준으로 전방의 제1 설정 도로 구간에서의 적어도 둘 이상의 차량들에 대한 감속도 정보에 의해 산출되는 장거리 추돌 위험도와, 상기 연상 메모리 데이터로 예측한 예측 위험도와 상기 차량의 제2 설정 도로 구간에서의 실제 주행 결과를 반복 비교한 결과에 의해 산출되는 단거리 추돌 위험도를 포함하는
차량 주행관리를 위한 클라이언트 장치.
A driving information collection unit that collects driving information of the vehicle;
a first communication unit that receives distance measurement information from a vehicle ahead measured by a distance measurement sensor installed in front of the vehicle;
a control unit that collects driving information of the vehicle and the distance measurement information; and
The driving information collected by the control unit is transmitted via a network, or the dangerous deceleration rate for each road section is based on the driving information collected by the control unit, and associative memory data is calculated based on driving history information for at least two or more vehicles. Including a second communication unit that receives (Associative Memory Data) through the network,
The control unit calculates the collision risk of the vehicle based on the dangerous deceleration rate for each road section and the associative memory data,
The collision risk includes a long-distance collision risk calculated by deceleration information for at least two vehicles in the first set road section ahead based on the driving direction of the vehicle, and a predicted risk predicted using the associative memory data. and a short-distance collision risk calculated by repeatedly comparing the actual driving results on the second set road section of the vehicle.
Client device for vehicle driving management.
상기 제어부는, 상기 차량의 상기 제2 설정 도로 구간에서의 연상 메모리 데이터를 기반으로 상기 단거리 추돌 위험도를 예측 및 갱신하는
차량 주행관리를 위한 클라이언트 장치.
According to claim 8,
The control unit predicts and updates the short-distance collision risk based on associative memory data in the second set road section of the vehicle.
Client device for vehicle driving management.
상기 차량의 주행정보는, 상기 차량의 속도, 가속도 및 감속도 중 적어도 하나를 포함하는
차량 주행관리를 위한 클라이언트 장치.
According to claim 8,
The driving information of the vehicle includes at least one of speed, acceleration, and deceleration of the vehicle.
Client device for vehicle driving management.
교통 데이터를 수신하고, 수신되는 교통 데이터와 상기 클라이언트 장치에서 취합된 주행정보를 기반으로 도로 구간별 위험 감속도를 산출하며, 산출되는 상기 도로 구간별 위험 감속도를 기반으로 연상 메모리 데이터를 구축하고, 상기 도로 구간별 위험 감속도 및 상기 연상 메모리 데이터를 상기 클라이언트 장치로 전송하는 서버 장치;를 포함하되,
상기 클라이언트 장치는 상기 서버 장치로부터 수신되는 상기 도로 구간별 위험 감속도 및 상기 연상 메모리 데이터를 기반으로 추돌 위험도를 산출하고,
상기 추돌 위험도는, 상기 차량의 주행방향을 기준으로 전방의 제1 설정 도로 구간에서의 적어도 둘 이상의 차량들에 대한 감속도 정보에 의해 산출되는 장거리 추돌 위험도와, 상기 연상 메모리 데이터로 예측한 예측 위험도와 상기 차량의 제2 설정 도로 구간에서의 실제 주행 결과를 반복 비교한 결과에 의해 산출되는 단거리 추돌 위험도를 포함하는
차량 주행관리 시스템.
A distance measurement sensor installed on the front of the vehicle to measure the distance to the vehicle in front; a client device that collects driving information of the vehicle and combines the collected driving information of the vehicle and distance measurement information measured by the distance measurement sensor; and
Receives traffic data, calculates dangerous deceleration for each road section based on the received traffic data and driving information collected from the client device, and builds associative memory data based on the calculated dangerous deceleration for each road section. , a server device that transmits the dangerous deceleration rate for each road section and the associative memory data to the client device;
The client device calculates a collision risk based on the dangerous deceleration rate for each road section and the associative memory data received from the server device,
The collision risk includes a long-distance collision risk calculated by deceleration information for at least two vehicles in the first set road section ahead based on the driving direction of the vehicle, and a predicted risk predicted using the associative memory data. and a short-distance collision risk calculated by repeatedly comparing the actual driving results on the second set road section of the vehicle.
Vehicle driving management system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160103726A KR102587119B1 (en) | 2016-08-16 | 2016-08-16 | Vehicle driving management system, client for vehicle driving management, server device, and method for vehicle driving management |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160103726A KR102587119B1 (en) | 2016-08-16 | 2016-08-16 | Vehicle driving management system, client for vehicle driving management, server device, and method for vehicle driving management |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180019405A KR20180019405A (en) | 2018-02-26 |
| KR102587119B1 true KR102587119B1 (en) | 2023-10-10 |
Family
ID=61531423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160103726A KR102587119B1 (en) | 2016-08-16 | 2016-08-16 | Vehicle driving management system, client for vehicle driving management, server device, and method for vehicle driving management |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102587119B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200088732A (en) | 2019-01-15 | 2020-07-23 | 한국건설기술연구원 | Road information streaming apparatus and information utilization apparatus, method for road information streaming |
| CN112532698A (en) * | 2020-11-17 | 2021-03-19 | 招商新智科技有限公司 | Method and system for linkage release of highway dangerous driving early warning and guidance screen |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5983161A (en) * | 1993-08-11 | 1999-11-09 | Lemelson; Jerome H. | GPS vehicle collision avoidance warning and control system and method |
| KR100574549B1 (en) * | 2003-08-14 | 2006-04-27 | 엘지전자 주식회사 | System and method for preventing bump using mobile |
| KR101061059B1 (en) * | 2009-06-26 | 2011-09-01 | 한양대학교 산학협력단 | Intelligent Traffic Information System and Warning Information Provision Method |
| KR101303528B1 (en) * | 2009-08-24 | 2013-09-03 | 한국전자통신연구원 | System and method for prevention collision based danger degree of collision |
| KR101300534B1 (en) | 2012-02-29 | 2013-09-02 | 주경희 | Method for displaying distance between cars and warning bumping danger of cars using wireless radar and apparatus using it |
| KR101343816B1 (en) | 2013-11-13 | 2013-12-20 | 이어도 | System for preventing collision of vehicle using mobile gps information and method thereof |
| KR102268134B1 (en) * | 2015-02-04 | 2021-06-22 | 한국과학기술원 | Apparatus and method for warning vehicle collision by using mobile data and infra data |
-
2016
- 2016-08-16 KR KR1020160103726A patent/KR102587119B1/en active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180019405A (en) | 2018-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102628790B1 (en) | Risk processing for vehicles having autonomous driving capabilities | |
| EP3820753B1 (en) | Vehicle-data analytics | |
| US20230325936A1 (en) | Collision risk-based engagement and disengagement of autonomous control of a vehicle | |
| US11400941B2 (en) | Moving body behavior prediction device | |
| KR102094270B1 (en) | Method for assessing the risk of collision at an intersection | |
| CN106796115B (en) | Method for predicting fuel consumption and arrival time for a vehicle navigation device | |
| CN109421742A (en) | Method and apparatus for monitoring autonomous vehicle | |
| CN109895757A (en) | Method and apparatus for monitoring vehicle brake | |
| CN104108395A (en) | Method And Device For Modifying The Configuration Of A Driving Assistance System Of A Motor Vehicle | |
| CN104346954A (en) | METHOD AND DEVICE FOR SUPPLYING and administrating A COLLISION SIGNAL, and A METHOD AND DEVICE FOR CONTROLLING COLLISION PROTECTION DEVICE | |
| CN104103188A (en) | Apparatus and methods for providing tailored information to vehicle users based on vehicle community input | |
| US11673555B2 (en) | Vehicle threat detection and response | |
| Tian et al. | Evaluating the effectiveness of V2V-based lane speed monitoring application: a simulation study | |
| US11970209B2 (en) | Real-time vehicle driver feedback based on analytics | |
| KR102587119B1 (en) | Vehicle driving management system, client for vehicle driving management, server device, and method for vehicle driving management | |
| CN112014859A (en) | Estimating a velocity profile | |
| CN112446466A (en) | Measuring confidence in deep neural networks | |
| US10953871B2 (en) | Transportation infrastructure communication and control | |
| Kaul et al. | Vanet‐TSMA: A traffic safety management approach for smart road transportation in vehicular ad hoc networks | |
| US11288901B2 (en) | Vehicle impact detection | |
| CN104071160A (en) | Method and system for predictive vehicle systems performance selection for enhanced maneuverability | |
| US20230128379A1 (en) | Method and device for evaluating a function for predicting a trajectory of an object in an environment of a vehicle | |
| KR20210067194A (en) | Method for traffic simulation considering driver's behavior and road section risk and saftey-vulnerable region prediction system | |
| Demmel et al. | Comparing cooperative and non-cooperative crash risk-assessment | |
| CN111801954B (en) | Method for relaying event information in multi-layer V2X system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |