KR20150073188A - 운전 이벤트 분류 시스템 - Google Patents

운전 이벤트 분류 시스템 Download PDF

Info

Publication number
KR20150073188A
KR20150073188A KR1020157012617A KR20157012617A KR20150073188A KR 20150073188 A KR20150073188 A KR 20150073188A KR 1020157012617 A KR1020157012617 A KR 1020157012617A KR 20157012617 A KR20157012617 A KR 20157012617A KR 20150073188 A KR20150073188 A KR 20150073188A
Authority
KR
South Korea
Prior art keywords
data
vehicle
processor
event
automotive
Prior art date
Application number
KR1020157012617A
Other languages
English (en)
Inventor
오트만 에이. 바시르
윌리엄 벤 마이너즈
세에드 하미드레자 자말리
Original Assignee
아이엠에스 솔루션즈 인크
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아이엠에스 솔루션즈 인크 filed Critical 아이엠에스 솔루션즈 인크
Publication of KR20150073188A publication Critical patent/KR20150073188A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

이러한 자동차 모니터링 시스템은 자동차 내에 자동차의 성능을 기록하는 복수의 센서를 제공한다. 프로세서(원격 또는 장착)는 센서로부터 데이터를 수신한다. 프로세서는 적어도 하나의 센서로부터의 데이터를 복수의 분류 중 하나로 이벤트로서 분류한다. 프로세서는 적어도 하나의 파라미터를 분류와 관련시킨다.

Description

운전 이벤트 분류 시스템{DRIVING EVENT CLASSIFICATION SYSTEM}
일부 텔레메틱스 시스템은 자동차 및 운전자 이벤트 및 상황을 모니터링 한다. 자동차 내에 설치된 장치는, (3-축 가속도계와 같은)가속도계와 같은 하나 이상의 장착 센서, gps 수신기등을 포함할 수 있다. 장치는 자동차의 장착 진단 포트(가령, OBD-II)로부터, 자동차 속도를 포함하는 정보를 추가로 수신할 수 있다. 이러한 정보 또는 이의 요약은 수집 및 분석을 위해 서버(또는 복수의 서버들)로 전송될 수 있다.
이러한 정보가 사용될 수 있는 한 방법은 운전자 및/또는 자동차에 요금을 청구하는 자동차 보험률을 결정하기 위함이다. 이러한 정보의 일부는 웹 브라우저를 통해(또는 전용 애플리케이션을 통한 인터넷을 통해) 운전자 및/또는 자동차 소유자도 사용가능하게 된다.
현저하고 빠르게 증가하는 데이터의 양은 현대의 자동차 내 및 현대의 자동차를 둘러싸는 센서로부터 사용가능하다. 거대한 양이지만, 이러한 데이터는 해석 또는 특정한 응용분야를 위해 직접적으로 의미 있는 정보로의 변형 이후에만 유익하다. 중요한 이벤트, 중요한 운전 표시자를 이끌어 내기 위해, 또는 특정 자동차 행동을 인식하기 위해, 이러한 데이터를 해석하는 것은, 간결함 및 사용-기반-보험, 예방 점검, 변칙/예외 경고 및 직접 또는 간접 피드백을 통한 운전 행동 개선을 포함하는 응용분야에 의해 소모될 수 있는 정보 풍부 자동차 이벤트를 초래한다.
도 1은 본 발명의 일 실시예에 따른 모니터링 시스템의 개략도이다.
도 2는 다양한 심각성의 강한 브레이킹 이벤트의 횟수를 나타내는 강한 브레이킹 이벤트의 분포도를 도시한다.
도 3은 주차장을 지나는 자동차 운전에 대한 센서 신호를 도시한다.
도 4는 자동차가 가속하여 주차장을 나가서 왼쪽으로 턴하는 센서 신호를 도시한다.
도 5는 자동차가 경사를 오르고, 도로 모퉁이 주위에서 왼쪽으로 턴하는 센서 신호를 도시한다.
도 6은 자동차가 속도를 늦추고(정지 아님) 오른쪽으로 턴하는 센서 신호를 도시한다.
도 7은 자동차가 교차로에서 멈추고 앞으로 계속 가는 센서 신호를 도시한다.
도 8은 자동차가 30-40km/h로 오른쪽 턴을 하는 센서 신호를 도시한다.
도 9는 자동차가 롤링 스탑하는 센서 신호를 도시한다.
도 1을 참조하면, 모터 자동차(10)는 자동차(10) 내에 설치된 기기(12)로 정보를 통신하는 복수의 데이터 모음 장치를 포함한다. 예시적인 데이터 모음 장치는 글로벌 포지셔닝 위성(GPS) 수신기(14), 3-축 가속도계(16), 자이로스코프(18) 및 전자 나침반(20)을 포함하고, 이들은 (프로세서와 함께, 그리고 적합한 전자 저장소등 및 본원에서 기술된 기능을 수행하도록 적절하게 프로그램된) 기기(12) 내에 수용될 수 있다. 인식하는 바와 같이, 다른 데이터 모니터링 시스템은 본 발명의 계획 내에서 사용될 수 있다. 또한, 데이터는, 자동차 속도, 엔진 속도, 온도, 연료 소비(또는 전기 소비), 엔진 아이들 시간, (OBD로 부터) 자동차 진단 및 자동차의 기계적 작동과 관련된 그 밖의 다른 정보와 같은 자동차 엔진 작동 파라미터를 나타내는 데이터를 제공하는 장착 진단 포트(onboard diagnostic port, OBD, 22)로부터 수집될 수 있다. 게다가, 자동차에 사용가능한 임의의 그 밖의 다른 데이터는, 자동차의 전반적인 작동을 카테고리화하여 관심있는 작동 요약의 편집 및 모음을 위해 기기(12)와 통신될 수 있다. 그러나, 본원에서 언급된 센서가 모두 필요한 것은 아니고, 단지 예시로서 나열한 것이다.
또한, 기기(12)는, (인터넷과 같은) 광역 네트워크에 연결을 제공하는 (셀 폰, 위성, wi-fi등과 같은) 통신 모듈(24)도 포함할 수 있다. 대안적으로, 통신 모듈(24)은 사용자의 셀 폰(26)이나 통신을 제공하는 그 밖의 다른 장치를 통해 (인터넷과 같은) 광역 네트워크에 연결할 수 있다.
자동차 내의 기기(12)는 자동차(10) 내에 탑재된 다양한 센서로부터 데이터를 모으고, 그 데이터를 저장한다. 자동차 내의 기기(12)는 이 데이터(또는 데이터의 요약 또는 분석)를 무선 네트워크를 통해 전송 신호로서 서버(30)로 전송한다(또한, 적어도 하나의 프로세서와 적합한 전자 저장소를 가지고, 적합하게 프로그램되어 본원에서 기술된 기능을 수행함). 서버(30)는, 자동차 사용을 결정 또는 추적하기 위하여, 수신된 데이터를 사용하여 자동차 운영 상태를 카테고리화한다. 이러한 데이터는 운전자 행동을 추적 및 결정, 모터 자동차에 대한 보험료, 자동차의 적절한 운영을 결정하는데 사용되는 데이터의 추적 및 경고와 같은 값을 제공할 수 있는 그 밖의 정보, 특정 자동차가 이러한 점검이 필요할 때, 점검 차고 또는 서비스 센터를 위해 사용될 수 있다. 연료 및/또는 전기 소비, 속도, 운전자 행동(가속도, 속도등), 운전한 거리 및/또는 어떤 보험-위험 코드된 지리적 지역에서의 시간 소비등과 같은 운전 이벤트와 운전자 행동은 서버(30)에 의해 기록된다. 예를 들어, 장착된 기기(12)는 높은-위험 지역 또는 낮은-위험 지역 또는 높은-위험 대 낮은 위험 도로에서의 시간 또는 거리의 양을 기록할 수 있다. 장착된 기기(12)는 (본원에서 언급된 것 중에서) 속도, 가속도, 거리, 연료 소비, 엔진 아이들 시간, 자동차 진단, 자동차의 위치, 엔진 발산등을 수집하고 서버(30)로 전송할 수 있다.
서버(30)는 자동차(10)(또는 대안적으로 사용자)와 각각 관련된 복수의 프로필(32)을 포함한다. 다른 것 보다도, 프로필(32)은 모은 데이터(또는 데이터의 요약)의 일부 또는 전부를 포함하는 자동차(10)(또는 사용자)에 대한 정보를 각각 포함한다. 데이터(또는 데이터의 요약)의 일부 또는 전부는, 연료 효율성, 환경 문제, 위치, 점검등과 같은 보험계약자 포털을 통해 광역 네트워크(인터넷과 같은)에 걸친 컴퓨터(32)를 통해 사용자에게 접근가능할 수 있다. 또한, 사용자는 프로필(32)의 일부 양상을 주문 제작할 수 있다.
서버(30)가 복수의 위치에서 많은 물리적 및/또는 가상 서버일 수 있다는 것을 유의해야 한다. 서버(30)는 많고 다양한 보험 회사와 관련된 많고 다양한 자동차(10)로부터의 기기(12)로부터 데이터를 수집할 수 있다. 각각의 보험 회사(또는 다른 관리자)는 그들의 자체 사용자를 위해서만 파라미터를 형성할 수 있다. 서버(30)는 각각의 보험 회사의 관리자가 그들의 보험 계약자에 대한 데이터만을 액세스할 수 있도록 허용한다. 서버(30)는 각각의 보험 계약자가 자신의 프로필에만 접근할 수 있고, 자신의 프로필에 기초한 정보를 수신할 수 있도록 허용한다.
서버(30)는 종래적인 물리적 또는 가상 서버내에 있을 뿐만 아니라, 장착 기기와 함께 존재할 수 있고, 또는 모바일 장치내에 있을 수 있다. 서버(30)가 분산된 시나리오에서, 관련 정보의 전부나 서브세트는, 통계, 추세 및 지역관련(geo-spatial) 기준(키 위치에 대한 근접성, 유사한 운전 루트를 가진 운전자의 그룹)을 집계하기 위해 신뢰적인 노드(trusted node) 사이에서 동기화될 수 있다.
본 시스템에서, 중요한 이벤트는 차량관련 행동으로부터 유도된다. 오로지 자동차 내의 정보를 사용하는 운전 이벤트는,
오른쪽 턴
왼쪽 턴
로터리
차선 변경
롤링 스탑
유-턴
진입 차선에서 가속
진출 차선에서 감속
강한 가속
강한 감속
잠재적 충돌
자동차가 견인되기
도로 타입(더러운 도로, 포장, 콘크리트)을 포함하는 분류로 연관될 수 있다.
이들 운전 이벤트의 일부가 외부 소스(즉, 도로 네트워크 정보 또는 외부로 향한 센서)를 기본적인 자동차 내의 정보를 상호참조하여 유도될 수 있지만, 이들 이벤트를 분류하기 위해 적용되는 고유의 접근법은, 복수의 높은 정확도에 걸친 정보의 사용에서, 자동차 및 운전 역학을 기술하는 자동차 내의 소스이다. 예를 들어, 외부 소스가 포함되면, 도로 타입은, 도로 타입이 인코딩된 맵 데이터세트에 대해 자동차의 위치를 상호-참조하여 빠르게 결정될 수 있다. 불행하게도, 도로 타입이 근본적인 맵이 업데이트될 수 있는 것보다 더 빠르게 변할 수 있다. 도로 타입을 추론하기 위한 자동차 내의 소스의 사용은 정확성을 보장하고, 최신 정보가 운전 행동을 기술하기 위해 캡쳐된다. 전형적으로 사용된 자동차 내의 센서는 자동차 속도 센서와 쌍을 이루는 3-축 가속도계이다. 높은 정확도 자동차 역학을 기술하는 시계열 데이터는 맵 데이터세트와 같은 외부 입력을 요하지 않으면서, 특정 운전 이벤트를 분류하기 위해 적용된다. 상품 센서(3-축 가속도계)의 사용은 이러한 접근법이 자동차 자체에 변화를 요하지 않으면서, 트레일러, 건축용 자동차, 오프-로드 자동차 또는 승객 자동차와 같은 임의의 움직이는 자동차에 적용될 수 있다는 것을 보장한다.
차선 변경 검출은 짧은 시간 윈도우 동안 측면 가속도와 자동차 헤딩 변화의 조합을 사용하여 유도된다.
롤링 스탑은 20, 10 또는 5 km/h 아래로 반복된 감속 이후에 가속의 패턴을 사용하여 분류 - 전형적으로 규칙적인 통근 또는 친숙한 도로(반복성) - 된다.
진입 차선 및 진출 차선은 신호로서 측면 및 수직의 가속도 베리에이션과 함께 조합된 속도 프로필을 사용하여 분류된다.
분류된 운전 이벤트의 파라미터적인 표시는 관련 파라미터를 이벤트 자체에 명시적으로 연관시킨다. 이들 파라미터의 예시는 공격적인 차선 변경의 "공격성", 강한 코너링 이벤트의 "강함" 및 운행의 "부드러움"를 포함한다. 그 밖의 다른 파라미터는 출발 및 정지 시간 및 위치 정보가 가능할 때 이벤트의 위치를 포함할 수 있다.
클래스 내의 이벤트가 아니라, 특정 파라미터가 있는 클래스로 분류된 각각의 이벤트를 표현하는 것은, 전반적인 많은 클래스가 감당할 수 있는 크기로 유지될 수 있도록 하면서, 기설정된 클래스-특정 파라미터에 기초한 동일한 클래스 내의 개별 이벤트를 순서 또는 순위매기기 위한 추가적인 타당성을 보존한다. 이들 파라미터를 보존하는 것은, 자동차 내의 소스로부터 나타난 이벤트가 더 높은 레벨의 결정 지원 시스템 및 운전자-피드백 시스템에서 사용되면서 특히 가치 있다. 대부분의 파라미터가 이벤트의 심각도 레벨을 기술하지만, 이벤트 캡쳐 프로세스 자체의 확실성 및 정확도를 기술하는 파라미터도 중요하다.
이들 파라메트적인 표현을 도시하는 것을 돕기 위하여, 강한 브레이킹 클래스가 작은 세트의 이벤트로 분석될 것이다. 강한 브레이킹의 현재 응용분야는 강한 브레이킹을 단일 이벤트로 정의하고, 이들 이벤트의 횟수를 사용하여 행동을 측정한다. 이벤트 자체의 존재나 부재를 포함하지 않고, 다만 브레이킹 이벤트의 심각도를 파라미터로서 포함하여, 실제 운전 행동에 더 깊은 이해를 얻을 수 있다.
도 2에서, 강한 브레이킹 이벤트만이 아니라 심각도를 기술하는 파라미터를 가진 강한 브레이킹 이벤트의 횟수도 도시된다. 이 분포의 모양은 특정 운전 스타일, 즉, 오른쪽으로 치우친 분포로 표현된 매우 부드러운 보수적인 운전자를 기술한다. 공격적인 운전자는 왼쪽을 향해 긴 꼬리를 가진 분포를 생성할 것이다. 이들 두 타입의 운전은, 이벤트의 횟수만 고려할 때, 각각의 이벤트를 기술하는 중요한 파라미터를 생략하면, 유사하게 보일 수 있다.
분류를 지지하는 근본적인 데이터의 관련 시가-윈도우 뿐만 아니라, 분류 신뢰도를 이벤트에 연결하는 것 및 정확도 또는 확실성의 측정이 결과에 있다.
일부 운전 이벤트는 종종 절대적 확실성으로 분류하기 어려울 수 있다. 이들 시나리오에서, 운전 이벤트의 시간적 맥락내의 각각의 운전과 각 데이터 소스에 대한 정확도의 측정을 연결하는 것은 단지 "강한 가속" 또는 "강한 감속" 이벤트 이상의 이벤트를 특징짓는데 도움을 준다. 예를 들어, 각 가속도 프로필, 스티어링 각도, 요(yaw)/피치(pitch)/롤(roll) 정보 및 자동차 속도(이들 각각은 정확도와 관련됨)로 단일 시점이 아닌 짧은 시간 윈도우로 강한 코너링 이벤트를 캡쳐하는 것은 이벤트 자체의 더 풍부한 특징을 제공한다. 이러한 접근법은 이벤트 트리거 자체의 이전 및 이후의 짧은 윈도우 동안의 적절한 맥락 내에서의 각각의 이벤트를 차지한다.
사용가능한 센서 및 센서들 간의 오버랩핑된 인식 범위의 상호보완적 또는 구별되는 특징에 대한 지식을 활용하여, 분류의 전반적인 정확도를 개선하기 위해 자동차 이벤트의 분류는 복수의 센서를 사용한다.
자동차 속도 정보와 가속도계 정보가 사용가능한 시나리오에서, 자동차의 길이 방향의 가속도는 각 소스로부터 획득될 수 있다. 이들 두 개의 특정 센서에 걸친 커버 영역에서의 이들 오버랩은, 자동차 속도값을 절대적 기준점으로 사용함에 의해, 그리고 자동차로부터의 연속적인 절대값 사이에 벌금 속도 변화를 보간하기 위한 가속도계값을 사용함에 의해, 정확도를 개선시키는데 도움을 준다. 두 개의 센서간에 정렬 불량이 있는 경우에, 더 넓은 시간의 윈도우가 포함되어서, 센서 성능을 평가하고, 자동차 속도에 대해 가능한 정보의 품질을 캡쳐할 수 있다.
자동차 내에서의 관측뿐만 아니라 외부 인지도 캡쳐하기 위하여, 자동차 이벤트의 분류는 내부 및 외부 데이터 소스의 결합을 사용한다. 이러한 정보는 환경 파라미터(축축한 도로 상황, 아이스, 밝은 태양, …), 교통 상황(막힘, 가다 서다 반복 또는 개방 도로에서의 운전) 및 자동차 및 그 환경 모두에서의 역사적인 추세를 포함하는데 사용된다.
최근의 자동차 행동의 맥락 내에서의 이벤트를 배치하는 것이 중요하나, 외부 데이터 소스로부터 정보를 끌어오는 것이 특정 이벤트에 대한 추가적인 맥락을 제공하는데 도움을 줄 수 있다. 이러한 추가적인 맥락은 실제 시나리오를 반영하기 위해 이벤트 트리거를 조정 및 조절하는데 중요하다. 이벤트 트리거는 건조 상황 보다는 축축하고 얼음이 있는 상황에서 훨씬 더 민감할 수 있고, 외부 데이터 소스를 포함하여 이러한 해결책에서 적절히 조절될 수 있다. 이들 소스의 예시는,
근처 지상 기상 관측소로부터의 날씨,
근처 자동차 프로브(주변 공기 온도, 기압, 습도 및 도표 표면 상황)에 의해 측정된 바와 같은 날씨,
도표 표면 상황, 교통 및 날씨를 위한 도로 측면 및 내장된 도로 센서
인접 센서가 내장된 자동차,
조명 상황(즉, 흐리거나, 노을이 운전자의 눈에 직접?)
도로 연결성, 스쿨존등을 기술하는 도로 네트워크 정보 및
일시적 사건, 도로 폐쇄 또는 공사 활동을 포함한다.
자동차 움직임 및 자동차가 운행하는 환경의 역사적인 추세는 프록시로서 사용되는데, 여기서, 실제 측정치는 사용가능하지 않고, 외부 파라미터를 예상하기 위해 예측 모델을 생성하는데 사용된다. 이러한 접근법은 대부분 자동차 및/또는 자동차가 운행하는 환경에 대한 직접적인 측정의 부재의 정보를 제공하기 위한 값이다. 단순한 예시는 교통 패턴을 사용하여 기술될 수 있다. 금요일 저녁의 특정 도로의 눈이 오는 날에 대한 교통 레벨의 역사적인 추세를 고려하면, 유사한 날씨, 도로 및 날짜/시간 제약을 가진 또 다른 날에 대해 유사한 특징을 예측할 수 있다. 전형적으로 자동차가 월요일부터 금요일까지 직장과 집 사이를 통근한다는 것을 알기에, 예측 모델은, 자동차가 월요일부터 금요일까지 직장과 집 사이를 통근하기 위해 예속될 것이라는 가정에 기초하여 주어진 루트에 대한 도로 상황, 교통 및 날씨에 대한 관련 정보를 예측하기 위해 적용된다.
이벤트 및 시간이 지남에 따른 자동차 내에 중요한 패턴을 인식함에 의해, 전송하기 이전에, 무선 데이터 전송 및 저장을 위한 압축 및 데이터 표현 알고리즘을 동적으로 최적화하기 위해 분류를 활용한다. 개별 클래스와 반복적인 운전 패턴 모두에 대한 지식을 적용하는 것은 자동차가, 역사적인(반복된) 패턴과 이벤트 분류의 함수로서 자동차 행동을 기술하는 정보를 간결하게 전송할 수 있게 한다. 이러한 접근법은 손실없는 압축 접근법을 지원하고, 역사적인 운전 이벤트와 자동차 추세에 대한 통신 채널 양단에서 공유된 지식을 사용한다. 예를 들어, 자동차가 아침에 집에서 직장으로 동일한 루트를 따라 운행한다는 것을 알면, 역사적으로 유도된 패턴에서 벗어난 예외 또는 편차만 기술되고, 전체 여행을 재구성하기 위해 공유될 필요가 있다.
일부 배치에서, 중요한 운전 표시자 또는 본질적인 이벤트만 프로그램의 성공을 위해 중요하다. 자동차 자체 내의 분류의 사용은 최적화된 특수 용도의 압축 접근법의 사용을 가능하게 한다. 이러한 접근법은 운전 행동 및 알려진 클래스에 대한 지식을 활용하여, 전송에서의 중복을 현명하게 제거하고, 가장 관련 있는 이벤트만을 캡쳐링하며(일반적인 압축 접근법과 달리), 데이터 자체 내의 덜 관련된 "노이즈"를 전송할 필요를 회피한다. 이러한 접근법의 간단한 예시는, 각각의 출발, 정지, 코너링 및 공격적인 동작 이전 및 이후에 몇 초 동안에, 완전한 자동차 역학을 전송하는 것이고, 남은 여행만 요약한다(즉, 전체 운행한 거리, 출발/종료 시가, 출발/종료 위치).
자동 변칙 및 예외 검출. 운전 이벤트의 분류는 알려진 행동(왼쪽 턴, 오른쪽 턴, 유-턴 등)의 분류뿐만 아니라, 정상적인 운전 행동(거주지 도로, 고속도로 등 운전)도 포함한다. 변칙 및 클래스 밖의 예외는 자동으로 캡쳐되고, 추가 분석 또는 액션을 위해 제공된다. 이들 예외는 센서 오류, 비정상적인 자동차 행동, 불균형 또는 정렬 불량의 휠, 변조(tampering), 뒤틀린 브레이크 디스크 등을 확인하는데 중요하다. 센서 오류는 의심되는 센서 오류와 정보의 중복 소스간의 불일치(즉, 자동차 속도 센서로부터 유도된 가속도 대 가속도계로부터 유도된 가속도)을 사용하여 확인된다. 불균형 또는 정렬 불량의 휠은, 특정 속도에서 자동차의 미묘한 진동을 통해 또는 외부 입력 없이(즉, 자동차의 스티어링 교정의 부재에서) 왼쪽이나 오른쪽으로 턴 하는 자동차의 경향을 통해 검출될 수 있다. 한 쪽 또는 다른 쪽으로의 자동차 이동에 대한 보상에 가해진 연속적인 교정 또는 힘은 정렬 불량된 휠을 검출하는데 중요한 입력이다.
학습된 경험 및 특정 자동차의 역학에 대한 기정의된 지식을 활용하여, 본원에서 제안된 동일한 분류 접근법이 사용되어, 문제점을 자동차 자체와 동일시할 수 있다. 이는 동일한 자동차 내의 센서를 사용하는 것과 정렬 문제 및 센서 오류를 사전 조치적으로 확인하는 분류 접근법을 사용하는 것을 포함한다. 이러한 접근법과 운전자 분류간에 어떤 시너지가 있어서, 서로 결합하여 사용되어, 운전 및 운젖자 행동 모두에 추가적인 이해를 얻을 수 있도록 한다. 동일한 자동차를 사용하여, 한 사람보다 더 많은 사람으로부터 충분한 운전 데이터로, 개별 운전자의 영향은 자동차 역학으로부터 분리될 수 있다. 운전자 영향이 자동차 역학으로부터 분리되면, 자동차 추세는 동일한 자동차에서 복수의 운전자를 통해서라도 일관성 있게 분석될 수 있다. 운전자 분류를 해결하지 않으면, 자동차 역학에 대한 정보는 각각의 운전자에 의해 편향되고, 자동차 자체로 문제를 검출하는 정확도를 감소시킨다.
운전 추세에 파라미터 적응. 극심한 이벤트가 관심 있는 응용 분야에서, 분류 파라미터는 동일한 또래-그룹(근접성, 자동차 타입, 운전 패턴, 발산 및 그 밖의 다른 파라미터에 기초함)내의 자동차에 걸친 추세들을 결합한 각각의 자동차의 역사적인 운전 특징에 기초하여 자동으로 적응된다. 파라미터의 자동 적응은 자동차의 극심함 x% 및/또는 이벤트의 극심함 y%가 운전 상황 변화함에 따라 빠르게 확인될 수 있도록 한다. 운전 추세에 대한 역학적 파라미터 적응은 중복 통신을 최소화하고, 좀 더 공통된 이벤트의 큰 데이터세트를 캡쳐, 전송 및 저장할 필요를 제거하는데 도움을 준다. 관심 있는 극심한 이벤트가 각각의 또래-그룹을 위해 정제되므로, 이들 극심한 이벤트 주위의 특정 파라미터는 각각의 자동차로 푸쉬될 수 있어서, 관심 있는 이벤트만이 전송되도록 보장할 수 있다.
운전 파라미터가 사용되어 자동차를 운전(폭력적인 운전 대 조심스런 운전)하는데 사용되는 조심의 레벨을 분류한다.
분류 방법은 운전자를 운전자 카테고리(공격적인, 부지런한, 고-위험, 저-위험, 산란한) 중 하나로 카테고리화하기 위해 사용 운전 파라미터를 맵핑하기 위해 사용된다.
자동차 내의 소스 및 외부 소스로부터의 분류를 일반화하여, 각각의 여행은 관련 위험 또는 집중 레벨로 카데고리화될 수 있다. 운전 이벤트 파라미터로부터 관련 운전자 위험 또는 집중 레벨로의 이러한 고유 맵핑은, 사용가능한 정보 소스를 사용하여 위험의 레벨을 수동적으로 결정하는데 가치가 있다.
위치 정보 및 역사적인 운전 데이터에 기초하여, 자동차의 사용이 직장 관련, 오락 등의 하나로 카테고리화될 수 있다.
직장 관련과 개인적 여행의 자동 분리는 전문적인 규칙과 역사적이 추세를 결합함에 의해 가능하다. 간단한 예는, 월요일에서 금요일까지 특정 빌딩에 오전 9시에 들어가서 오후 5시 되돌아오는 자동차인데, 이는 특정 빌딩은 직장 위치이고, 오후 5시 이후의 여행은 개인적 또는 집으로 가는 길이라는 합리적인 가정을 초래한다. 위치 정보를 포함하는 것은 특정 목적지 특성이 거주, 상업 또는 그 밖의 활용될 수 있는 속성을 포함하여 포함될 수 있도록 한다.
가속도계와 자동차 속도 데이터만을 사용하는 이벤트 분류 예시가 도 3-9에 도시된다. 도 3-9는 시간에 따라, 자동차 속도(s)(가령, OBD 및/또는 가속도계(16)로부터), 여러 다양한 가속도계(16)로부터, 길이 방향 가속도(Along), 측면 가속도(Alat) 및 수직 가속도(Av)를 도시한다. 도 3은 주차장을 지나는 자동차 운전에 대한 센서 신호를 도시한다. 도 4는 자동차가 가속하여 주차장을 나가서 왼쪽으로 턴하는 센서 신호를 도시한다. 도 5는 자동차가 경사를 오르고, 도로 모퉁이 주위에서 왼쪽으로 턴하는 센서 신호를 도시한다. 도 6은 자동차가 속도를 늦추고(정지 아님) 오른쪽으로 턴하는 센서 신호를 도시한다. 도 7은 자동차가 교차로에서 멈추고 앞으로 계속 가는 센서 신호를 도시한다. 도 8은 자동차가 30-40km/h로 오른쪽 턴을 하는 센서 신호를 도시한다. 도 9는 자동차가 롤링 스탑하는 센서 신호를 도시한다.
특허 법령과 법학의 공급에 따라, 상기 기술된 예시적인 컨피규레이션은 본 발명의 바람직한 실시예를 나타내는데 고려된다. 그러나, 본 발명은 본 발명의 사상 또는 범위를 벗어나지 않으면서 구체적으로 도시되고 기술된 것 이외에도 실시될 수 있다는 것을 유의해야 한다.

Claims (16)

  1. 자동차 모니터링 시스템에 있어서, 상기 시스템은,
    자동차 내의 적어도 하나의 센서 - 상기 적어도 하나의 센서는 자동차의 성능을 기록함 - 와, 및
    적어도 하나의 센서로부터 데이터를 수신하는 프로세서 - 상기 프로세서는 적어도 하나의 센서로부터의 데이터를 복수의 분류 중 하나로 이벤트로서 분류하고, 프로세서는 적어도 하나의 파라미터를 복수의 분류 중 하나로 연관시킴 - 를 포함하는 것을 특징으로 하는 자동차 모니터링 시스템.
  2. 제 1 항에 있어서, 상기 이벤트는 강한 브레이킹 이벤트로 분류되고, 상기 파라미터는 강한 브레이킹 이벤트의 심각도(severity)인 것을 특징으로 하는 자동차 모니터링 시스템.
  3. 제 2 항에 있어서, 상기 프로세서는 복수의 강한 브레이킹 이벤트의 복수의 심각도를 평가하도록 프로그램되는 것을 특징으로 하는 자동차 모니터링 시스템.
  4. 제 2 항에 있어서, 상기 프로세서는, 신뢰도(confidence)의 레벨을 데이터에 기초한 분류에 할당하도록 프로그램되는 것을 특징으로 하는 자동차 모니터링 시스템.
  5. 제 1 항에 있어서, 상기 적어도 하나의 센서는 가속도계 및 자동차 속도 센서를 포함하는 것을 특징으로 하는 자동차 모니터링 시스템.
  6. 제 5 항에 있어서, 상기 프로세서는 가속도계와 자동차 속도 센서로부터의 데이터를 비교하여, 자동차가 운행하는 도로의 타입을 결정하도록 프로그램되는 것을 특징으로 하는 자동차 모니터링 시스템.
  7. 제 5 항에 있어서, 상기 프로세서는 가속도계와 자동차 속도 센서로부터의 데이터를 비교하여 자동차가 진입 차선 또는 진출 차선을 운행하는지를 결정하도록 프로그램되는 것을 특징으로 하는 자동차 모니터링 시스템.
  8. 제 1 항에 있어서, 상기 적어도 하나의 센서는 3-축 가속도계이고, 상기 프로세서는 3-축 가속도계로부터의 데이터를 평가하여, 자동차의 불균형된 휠을 결정하도록 프로그램되는 것을 특징으로 하는 자동차 모니터링 시스템.
  9. 제 1 항에 있어서, 상기 프로세서는 자동차에 장착(on-board)된 것을 특징으로 하는 자동차 모니터링 시스템.
  10. 제 9 항에 있어서, 상기 프로세서는 역사적인 데이터에 기초하여 데이터의 압축을 최적화하여, 압축된 데이터를 원격 서버로 전송하도록 프로그램되는 것을 특징으로 하는 자동차 모니터링 시스템.
  11. 제 1 항에 있어서, 상기 프로세서는 자동차로부터 원격에 위치되는 것을 특징으로 하는 자동차 모니터링 시스템.
  12. 제 1 항에 있어서, 상기 프로세서는 자동차를 포함한 복수의 자동차들로부터의 데이터에 기초한 복수의 분류를 적응시키도록 프로그램되는 것을 특징으로 하는 자동차 모니터링 시스템.
  13. 자동차를 모니터링하기 위한 방법에 있어서, 상기 방법은,
    a) 자동차 센서로부터 데이터를 수신하는 단계와,
    b) 자동차로부터의 데이터를 복수의 분류 중 하나로 이벤트로서 분류하는 단계와, 및
    c) 적어도 하나의 파라미터를 이벤트와 연관시키는 단계를 포함하는 것을 특징으로 하는 자동차를 모니터링하기 위한 방법.
  14. 제 13 항에 있어서, 상기 단계 b)는 이벤트를 강한 브레이킹 이벤트로 분류하는 단계를 더 포함하고, 상기 단계 c)는 강한 브레이킹 이벤트의 심각도를 이벤트의 적어도 하나의 파라미터와 연관시키는 단계를 더 포함하는 것을 특징으로 하는 자동차를 모니터링하기 위한 방법.
  15. 제 14 항에 있어서, 복수의 강한 브레이킹 이벤트의 복수의 심각도의 횟수(frequency)를 평가하는 단계를 더 포함하는 것을 특징으로 하는 자동차를 모니터링하기 위한 방법.
  16. 제 14 항에 있어서, 신뢰도의 레벨을 데이터에 기초한 분류에 할당하는 단계를 더 포함하는 것을 특징으로 하는 자동차를 모니터링하기 위한 방법.
KR1020157012617A 2012-10-16 2013-10-16 운전 이벤트 분류 시스템 KR20150073188A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261714287P 2012-10-16 2012-10-16
US61/714,287 2012-10-16
PCT/US2013/065257 WO2014062812A1 (en) 2012-10-16 2013-10-16 Driving event classification system

Publications (1)

Publication Number Publication Date
KR20150073188A true KR20150073188A (ko) 2015-06-30

Family

ID=49515493

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020157012617A KR20150073188A (ko) 2012-10-16 2013-10-16 운전 이벤트 분류 시스템

Country Status (5)

Country Link
US (1) US10417838B2 (ko)
EP (1) EP2909157A1 (ko)
KR (1) KR20150073188A (ko)
CA (1) CA2888492C (ko)
WO (1) WO2014062812A1 (ko)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160063776A1 (en) * 2014-08-29 2016-03-03 Ford Global Technologies, Llc Method and Apparatus for Event Data Recording Activation and Logging
CN104260725B (zh) * 2014-09-23 2016-09-14 北京理工大学 一种含有驾驶员模型的智能驾驶***
US10198772B2 (en) * 2015-01-14 2019-02-05 Tata Consultancy Services Limited Driver assessment and recommendation system in a vehicle
US9639999B2 (en) 2015-01-14 2017-05-02 Tata Consultancy Services Limited System and method for estimating speed of a vehicle
US9390452B1 (en) 2015-01-28 2016-07-12 Allstate Insurance Company Risk unit based policies
US9361599B1 (en) 2015-01-28 2016-06-07 Allstate Insurance Company Risk unit based policies
US10817950B1 (en) 2015-01-28 2020-10-27 Arity International Limited Usage-based policies
US10846799B2 (en) 2015-01-28 2020-11-24 Arity International Limited Interactive dashboard display
US10371545B2 (en) 2015-03-04 2019-08-06 Here Global B.V. Method and apparatus for providing qualitative trajectory analytics to classify probe data
WO2016143552A1 (ja) 2015-03-06 2016-09-15 ソニー株式会社 記録装置、記録方法及びコンピュータプログラム
SE539283C8 (en) * 2015-12-15 2017-07-18 Greater Than S A Method and system for assessing the trip performance of a driver
EP3219567A1 (en) * 2016-03-14 2017-09-20 Honda Research Institute Europe GmbH Method, system and vehicle for analyzing a rider performance
US10571290B2 (en) 2016-07-15 2020-02-25 Tata Consultancy Services Limited Method and system for vehicle speed profile generation
US9809159B1 (en) 2016-12-28 2017-11-07 Allstate Insurance Company System and methods for detecting vehicle braking events using data from fused sensors in mobile devices
US10157321B2 (en) * 2017-04-07 2018-12-18 General Motors Llc Vehicle event detection and classification using contextual vehicle information
CN107563931A (zh) * 2017-08-16 2018-01-09 上海经达信息科技股份有限公司 一种基于北斗或者gps数据的车辆实时驾驶行为优劣评估方法
US11861566B1 (en) 2017-08-24 2024-01-02 State Farm Mutual Automobile Insurance Company Vehicle telematics systems and methods
US10755495B1 (en) * 2017-09-25 2020-08-25 State Farm Mutual Automobile Insurance Company Technology for detecting onboard sensor tampering
US11273778B1 (en) * 2017-11-09 2022-03-15 Amazon Technologies, Inc. Vehicle voice user interface
US10771787B2 (en) * 2018-11-30 2020-09-08 Toyota Motor North America, Inc. Dynamic data compression systems and methods for use with vehicle data
US11501637B2 (en) 2019-10-04 2022-11-15 Here Global B.V. Method, apparatus, and system for detecting lane-level slowdown events
US12014588B2 (en) 2020-06-08 2024-06-18 Bendix Commercial Vehicle Systems Llc Automatic event classification
EP4033460A1 (en) * 2021-01-22 2022-07-27 Aptiv Technologies Limited Data recording for adas testing and validation
DE102021213396A1 (de) 2021-11-29 2023-06-01 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Identifizierung des Fahrers eines Fahrzeugs

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6738697B2 (en) * 1995-06-07 2004-05-18 Automotive Technologies International Inc. Telematics system for vehicle diagnostics
GB2434346B (en) 2006-01-18 2011-01-05 Airmax Group Plc Method and system for driver style monitoring and analysing
US20100019880A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on traffic sensing
US20100209892A1 (en) * 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Driving skill recognition based on manual transmission shift behavior
EP2375385A1 (de) 2010-04-06 2011-10-12 Prozess Control GmbH Verfahren und System zur Bewertung des Fahrverhaltens eines Kraftfahrzeugführers

Also Published As

Publication number Publication date
US10417838B2 (en) 2019-09-17
CA2888492C (en) 2023-03-07
CA2888492A1 (en) 2014-04-24
EP2909157A1 (en) 2015-08-26
WO2014062812A1 (en) 2014-04-24
US20140148972A1 (en) 2014-05-29

Similar Documents

Publication Publication Date Title
KR20150073188A (ko) 운전 이벤트 분류 시스템
US11397993B2 (en) Electronic logging and track identification system for mobile telematics devices, and corresponding method thereof
US10870414B2 (en) Vehicle monitoring system with automatic driver identification
US9688282B2 (en) Driver risk assessment system and method employing automated driver log
CA3026415C (en) Traveling-based insurance ratings
US11157973B2 (en) System and method for estimation of vehicle accident damage and repair
KR101617349B1 (ko) 운전 습관 분석 진단 시스템 및 방법
US9147353B1 (en) Driving analysis using vehicle-to-vehicle communication
US20160110650A1 (en) Advanced context-based driver scoring
US20210319332A1 (en) Determining driver and vehicle characteristics based on an edge-computer device
WO2014207558A2 (en) Onboard vehicle accident detection and damage estimation system and method of use
JP7413503B2 (ja) 車両の安全性能を評価すること
US11377111B1 (en) Systems and methods for detecting vehicle mass changes
WO2022117774A1 (en) Electronic system for forward-looking measurements of frequencies and/or probabilities of accident occurrences based on localized automotive device measurements, and corresponding method thereof
Balasubramani et al. A predictive decision model for an efficient detection of abnormal driver behavior in intelligent transport system
US20240110800A1 (en) Wear mitigation routing platform
US20240013310A1 (en) Fully integrated and embedded measuring system directed to a score-indexing parameter essentially based on directly measured connected motor vehicle sensory data and method thereof
CN116643554B (zh) 一种高速铁路atp车载设备故障管理方法、***及设备
Wu et al. A new in-car navigation system based on V2C2V and data science
Gustavsson et al. BiFi—Bearing information through vehicle intelligence
Beusen et al. Experiences using an onboard logging device with CAN-interface, GPS, GPRS, and Wi-Fi for surveying long term driving behavior
JAGTAP et al. Online NVH Data Pattern Analysis through Telematics
Damps et al. On-board Driver’s Assistance and Assessment System

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid