KR20210150957A - Apparatus for detecting driving state of vehicle and predicting driving event and operating method thereof - Google Patents

Apparatus for detecting driving state of vehicle and predicting driving event and operating method thereof Download PDF

Info

Publication number
KR20210150957A
KR20210150957A KR1020210019211A KR20210019211A KR20210150957A KR 20210150957 A KR20210150957 A KR 20210150957A KR 1020210019211 A KR1020210019211 A KR 1020210019211A KR 20210019211 A KR20210019211 A KR 20210019211A KR 20210150957 A KR20210150957 A KR 20210150957A
Authority
KR
South Korea
Prior art keywords
vehicle
driving
information
state
accident
Prior art date
Application number
KR1020210019211A
Other languages
Korean (ko)
Other versions
KR102515353B1 (en
Inventor
김제리
조현준
김덕수
김의석
김도
Original Assignee
아우토크립트 주식회사
상하이 판치 인포메이션 테크놀로지 컴퍼니
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 아우토크립트 주식회사, 상하이 판치 인포메이션 테크놀로지 컴퍼니 filed Critical 아우토크립트 주식회사
Publication of KR20210150957A publication Critical patent/KR20210150957A/en
Application granted granted Critical
Publication of KR102515353B1 publication Critical patent/KR102515353B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0872—Driver physiology
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0063—Manual parameter input, manual setting means, manual initialising or calibrating means
    • B60W2050/0064—Manual parameter input, manual setting means, manual initialising or calibrating means using a remote, e.g. cordless, transmitter or receiver unit, e.g. remote keypad or mobile phone
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/20—Steering systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/08—Predicting or avoiding probable or impending collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

An operation method of an apparatus for detecting driving state of a vehicle and predicting a driving event according to an embodiment of the present invention comprises the following steps of: obtaining vehicle data of a first vehicle by using a transceiver for wireless communication and at least one sensor; determining whether the first vehicle is in an abnormal state or whether an accident event occurs at the first vehicle based on the vehicle data; if the first vehicle is in the abnormal state and no accident event occurs at the first vehicle, determining the first vehicle as a risky state; and predicting the driving event of the first vehicle based on information related to the risky state. According to the present invention, a situation with high risk of accident or a risky situation is detected and an accident ratio of the vehicle can be reduced.

Description

차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치 및 이의 동작 방법{APPARATUS FOR DETECTING DRIVING STATE OF VEHICLE AND PREDICTING DRIVING EVENT AND OPERATING METHOD THEREOF}Apparatus for detecting a driving state of a vehicle and predicting a driving event and an operating method thereof

본 발명은 텔레매틱스(telematics)와 센서를 활용하여 차량의 주행 상태를 탐지하고 차량의 주행 이벤트를 예측하는 방법에 관한 것이다.The present invention relates to a method of detecting a driving state of a vehicle and predicting a driving event of a vehicle using telematics and a sensor.

일반적으로 차량을 운전하는 운전자는 자신 혹은 타인의 졸음운전, 운전미숙, 난폭운전, 도로여건 등의 사유로 예기치 못한 수 많은 위험 상황에 직면할 수 있다.In general, a driver who drives a vehicle may face numerous unexpected dangerous situations due to reasons such as drowsy driving, inexperienced driving, reckless driving, and road conditions of himself or others.

이에 안전한 운전을 위해 운전 중에 발생할 수 있는 수 많은 위험 상황중의 일부를 차량이 스스로 판단하도록 하여 운전자의 안전운전을 보조하는 첨단 운전자 지원 시스템(Advanced Driver Assistance Systems, ADAS)이 최근 각광을 받고 있다.Accordingly, for safe driving, advanced driver assistance systems (ADAS), which assist the driver in safe driving by allowing the vehicle to determine some of the numerous dangerous situations that may occur while driving, have recently been in the spotlight.

또한, 많은 차량 텔레매틱스 시스템에서 생체 센서, 광학 센서 등을 활용하여 운전자의 상태를 모니터링하고 차량 상태 및 사고가 발생하였을 ‹š의 상태를 파악하여 사고 위험률을 분석하는 기능을 제공하고 있다.In addition, many vehicle telematics systems utilize biometric sensors and optical sensors to monitor the driver's condition and provide a function to analyze the accident risk rate by identifying the vehicle condition and the state of the accident.

본 발명은 텔레매틱스와 센서를 활용하여 차량의 주행 상태를 탐지하고, 차량의 주행 이벤트를 예측함으로써 사고 위험률이 높은 상황이나 위기 상황을 감지하고 차량의 사고율을 감소시킬 수 있는 방법 및 장치를 제공한다.The present invention provides a method and apparatus capable of detecting a driving state of a vehicle using telematics and a sensor and predicting a driving event of the vehicle to detect a high accident risk or crisis situation and reduce the vehicle accident rate.

본 발명의 실시예에 따른 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치의 동작 방법은, 무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 단계와, 상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하는 단계와, 상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우, 상기 제1 차량를 위기 상태로 결정하는 단계와, 상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 단계를 포함한다. An operating method of an apparatus for detecting a driving state of a vehicle and predicting a driving event according to an embodiment of the present invention includes: acquiring vehicle data of a first vehicle using a transceiver for wireless communication and at least one sensor; determining whether the first vehicle is in an abnormal state and whether an accident event has occurred in the first vehicle based on the vehicle data; When an accident event does not occur, determining the first vehicle to be in a crisis state, and predicting a driving event of the first vehicle based on information about the crisis state.

실시예에 따라, 상기 동작 방법은 상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하는 단계와, 상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신하는 단계를 더 포함할 수 있다.According to an embodiment, the operating method includes determining first driving state information of the first vehicle based on the vehicle data, and receiving second driving state information of a second vehicle located in the vicinity of the first vehicle. It may further include the step of receiving.

실시예에 따라, 상기 동작 방법은 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하는 단계와, 상기 제1 차량에 대한 상기 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하는 단계와, 상기 제1 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량에 대한 경고 신호를 제공하는 단계를 포함할 수 있다. According to an embodiment, the operating method includes determining a plurality of accident risk rate values for each of a plurality of driving scenarios of the first vehicle based on the first driving state information and the second driving state information; determining whether a maximum value among the plurality of accident risk ratio values for one vehicle exceeds a threshold value; and if the accident risk ratio value of the first vehicle exceeds a threshold value, providing a warning signal to the first vehicle may include the step of

실시예에 따라, 상기 임계값은 상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정될 수 있다. According to an embodiment, the threshold value may be determined based on average accident rate information of the vehicle for each of the plurality of driving scenarios.

실시예에 따라, 상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고, 상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함할 수 있다.According to an embodiment, the first driving state information includes past driving information of the first vehicle and current driving information of the first vehicle, and the second driving state information includes past driving information of the second vehicle and the Current driving information of the second vehicle may be included.

실시예에 따라, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은, 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.According to an embodiment, each of the first driving state information and the second driving state information may include information on whether an accident prevention system of a vehicle is operating, information on a sudden turn of the vehicle, information on sudden braking of the vehicle, The information may include at least one of heart rate change information of an occupant in the vehicle, respiration information of the occupant, body temperature information of the occupant, noise information of the vehicle, perspiration information of the occupant, and status information of the occupant.

실시예에 따라, 상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현될 수 있다. According to an embodiment, the transceiver may be implemented in a telematics-based communication device or a vehicle to everything (V2X)-based communication device.

실시예에 따라, 상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함할 수 있다.According to an embodiment, the at least one sensor may include at least one of a biometric sensor and an optical sensor implemented in the first vehicle.

실시예에 따라, 상기 방법은 상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정하는 단계를 더 포함할 수 있다.According to an embodiment, the method further comprises: determining a driving condition of the first vehicle classified into the crisis state based on the vehicle data and machine learning to determine the crisis state of the first vehicle may further include.

본 발명의 실시예에 따른 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치는, 무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 데이터 획득부와, 상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하거. 상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우 상기 제1 차량를 위기 상태로 결정하는 차량 상태 결정부와, 상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 차량 주행 예측부를 포함한다.An apparatus for detecting a driving state of a vehicle and predicting a driving event according to an embodiment of the present invention comprises: a data acquisition unit configured to acquire vehicle data of a first vehicle using a transceiver for wireless communication and at least one sensor; determining whether the first vehicle is in an abnormal condition and whether an accident event has occurred in the first vehicle based on vehicle data; a vehicle state determination unit that determines the first vehicle as a crisis state when the first vehicle is in the abnormal state and the accident event does not occur in the first vehicle; and a vehicle driving prediction unit for predicting a driving event of the vehicle.

실시예에 따라, 상기 차량 상태 결정부는 상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하고, 상기 데이터 획득부는 상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신할 수 있다.According to an embodiment, the vehicle state determining unit determines first driving state information of the first vehicle based on the vehicle data, and the data obtaining unit is a second driving of a second vehicle located in the vicinity of the first vehicle Status information can be received.

실시예에 따라, 상기 차량 주행 예측부는, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하고, 상기 제1 차량에 대한 상기 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하고, 상기 제1 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량에 대한 경고 신호를 제공할 수 있다.According to an embodiment, the vehicle driving prediction unit may determine a plurality of accident risk values for each of a plurality of driving scenarios of the first vehicle based on the first driving state information and the second driving state information, and Determine whether the maximum value among the plurality of accident risk values for one vehicle exceeds a threshold, and if the accident risk value of the first vehicle exceeds the threshold, a warning signal for the first vehicle may be provided have.

실시예에 따라, 상기 임계값은, 상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정될 수 있다.According to an embodiment, the threshold value may be determined based on average accident rate information of the vehicle for each of the plurality of driving scenarios.

실시예에 따라, 상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고, 상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함할 수 있다.According to an embodiment, the first driving state information includes past driving information of the first vehicle and current driving information of the first vehicle, and the second driving state information includes past driving information of the second vehicle and the Current driving information of the second vehicle may be included.

실시예에 따라, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은, 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.According to an embodiment, each of the first driving state information and the second driving state information may include information on whether an accident prevention system of a vehicle is operating, information on a sudden turn of the vehicle, information on sudden braking of the vehicle, The information may include at least one of heart rate change information of an occupant in the vehicle, respiration information of the occupant, body temperature information of the occupant, noise information of the vehicle, perspiration information of the occupant, and status information of the occupant.

실시예에 따라, 상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현되고, 상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함할 수 있다.According to an embodiment, the transceiver is implemented in a telematics-based communication device or a vehicle to everything (V2X)-based communication device, and the at least one sensor is at least one of a biometric sensor and an optical sensor implemented in the first vehicle. may include

실시예에 따라, 상기 차량 상태 결정부는, 상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정할 수 있다.According to an embodiment, the vehicle state determining unit may determine the driving condition of the first vehicle classified into the crisis state based on the vehicle data and machine learning to determine the crisis state of the first vehicle. can decide

본 발명은 텔레매틱스와 센서를 활용하여 차량의 주행 상태를 탐지하고, 차량의 주행 이벤트를 예측함으로써 사고 위험률이 높은 상황이나 위기 상황을 감지하고 차량의 사고율을 감소시킬 수 있는 효과가 있다. The present invention has the effect of detecting a driving state of a vehicle using telematics and a sensor and predicting a driving event of the vehicle, thereby detecting a high accident risk or crisis situation, and reducing the vehicle accident rate.

본 발명은 정상 상태인 차량들 사이에서의 사고 가능성, 이상 상태인 차량들 사이에서의 사고 가능성, 정상 상태와 이상 상태가 혼재된 차량들 사이에서의 사고 가능성을 예측함으로써 차량의 사고율을 감소시킬 수 있는 효과가 있다.The present invention can reduce the accident rate of vehicles by predicting the possibility of an accident between vehicles in a normal state, the possibility of an accident between vehicles in an abnormal state, and the possibility of an accident between vehicles in which the normal state and the abnormal state are mixed. there is an effect

도 1은 본 발명의 실시예에 따른 주행 이벤트 예측 장치를 도시하는 도면이다.
도 2는 본 발명의 실시예에 따른 위기 상태를 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따라 각 주행 상태 별 주행 이벤트를 분류하는 과정을 나타내는 순서도이다.
도 4는 본 발명의 실시예에 따라 현재 차량의 주행 조건을 위기 상태로 분류하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따라 주행 상태를 기반으로 차량의 사고 위험률을 계산하는 과정을 나타내는 순서도이다.
도 6은 본 발명의 일 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다.
도 7은 도 6에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다.
도 8은 본 발명의 다른 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다.
도 9는 도 8에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다.1 is a diagram illustrating an apparatus for predicting a driving event according to an embodiment of the present invention.
2 is a view for explaining a crisis state according to an embodiment of the present invention.
3 is a flowchart illustrating a process of classifying driving events for each driving state according to an embodiment of the present invention.
4 is a view for explaining a process of classifying a current driving condition of a vehicle into a crisis state according to an embodiment of the present invention.
5 is a flowchart illustrating a process of calculating an accident risk rate of a vehicle based on a driving state according to an embodiment of the present invention.
6 is a diagram illustrating a situation in which a warning signal is provided to a vehicle according to an embodiment of the present invention.
7 is a flowchart for explaining a situation in which the warning signal shown in FIG. 6 is provided.
8 is a diagram illustrating a situation in which a warning signal is provided to a vehicle according to another embodiment of the present invention.
9 is a flowchart for explaining a situation in which the warning signal shown in FIG. 8 is provided.

이하, 첨부된 도면을 참조하여 본 개시(present disclosure)를 설명한다. 본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.Hereinafter, the present disclosure will be described with reference to the accompanying drawings. As the present disclosure is capable of various changes and may have various embodiments, specific embodiments are illustrated in the drawings and the related detailed description is set forth. However, this is not intended to limit the present disclosure to specific embodiments, and should be understood to include all modifications and/or equivalents or substitutes included in the spirit and scope of the present disclosure. In connection with the description of the drawings, like reference numerals have been used for like elements.

본 개시 가운데 사용될 수 있는 "포함한다" 또는 "포함할 수 있다" 등의 표현은 개시된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 개시에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Expressions such as “comprises” or “may include” that may be used in the present disclosure indicate the existence of the disclosed function, operation, or component, and do not limit one or more additional functions, operations, or components. In addition, in the present disclosure, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification is present, but one or more It is to be understood that this does not preclude the possibility of addition or presence of other features or numbers, steps, operations, components, parts, or combinations thereof.

본 개시에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.In the present disclosure, expressions such as “or” include any and all combinations of the words listed together. For example, "A or B" may include A, may include B, or may include both A and B.

본 개시 가운데 "제 1," "제2," "첫째," 또는 "둘째," 등의 표현들이 본 개시의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분 짓기 위해 사용될 수 있다. 예를 들어, 제1 사용자 기기와 제 2 사용자 기기는 모두 사용자 기기이며, 서로 다른 사용자 기기를 나타낸다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2구성요소도 제1 구성요소로 명명될 수 있다.In the present disclosure, expressions such as “first,” “second,” “first,” or “second,” may modify various components of the disclosure, but do not limit the components. For example, the above expressions do not limit the order and/or importance of corresponding components. The above expressions may be used to distinguish one component from another. For example, both the first user device and the second user device are user devices, and represent different user devices. For example, without departing from the scope of the present disclosure, a first component may be referred to as a second component, and similarly, the second component may also be referred to as a first component.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.When an element is referred to as being “connected” or “connected” to another element, it is understood that it may be directly connected or connected to the other element, but other elements may exist in between. it should be On the other hand, when it is said that a certain element is "directly connected" or "directly connected" to another element, it should be understood that the other element does not exist in the middle.

본 개시에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 개시를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.Terms used in the present disclosure are used only to describe specific embodiments, and are not intended to limit the present disclosure. The singular expression includes the plural expression unless the context clearly dictates otherwise.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this disclosure belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present disclosure. does not

많은 차량 텔레매틱스 시스템에서 생체 센서, 광학 센서 등을 활용하여 운전자의 상태를 모니터링하고 차량 상태 및 사고가 발생하였을 ‹š의 상태를 파악하여 사고 위험률을 분석하는 기능을 제공하고 있다. Many vehicle telematics systems use biometric sensors and optical sensors to monitor the driver's condition and provide a function to analyze the accident risk rate by identifying the vehicle condition and the state of the accident.

하지만, 종래의 차량 텔레매틱스 시스템에서는 사고가 발생하는 이벤트만을 측정하다보니 사고 위험율이 높은 상황이나 사고가 날뻔한 상황(위기 상황 또는 Close Call 상황)에 관한 정보는 파악하지 않고 있으며 주변 차량과 통신을 하고 있지 않아 고립된 측정만을 수행하고 있다.However, since the conventional vehicle telematics system measures only the event in which an accident occurs, information about a situation with a high risk of an accident or a situation near an accident (a crisis situation or a close call situation) is not grasped, and it communicates with surrounding vehicles. There is no such thing, so only isolated measurements are being performed.

따라서, 본 발명에서 제안하는 주행 이벤트 탐지 시스템에서는 사고 위험율이 높은 상황 및 위기 상황을 감지하고, 생체 데이터, 카메라 기반 모니터링, V2X 데이터 등 다양한 데이터를 활용하여 차량 데이터를 수집함으로써 차량의 사고율을 더욱 감소시킬 수 있다. Therefore, the driving event detection system proposed in the present invention detects situations with high accident risk and crisis situations, and collects vehicle data using various data such as biometric data, camera-based monitoring, and V2X data to further reduce the accident rate of the vehicle. can do it

즉, 본 발명은 차량 사용자로 하여금 사고 위험이 있는 순간들을 파악할 수 있게 해주고 이를 사고 방지 시스템과 연계해주는 방식에 대한 특허이다. 본 발명에서 제안하는 사고 방지 시스템은 차량의 주행 상태를 파악하고 어떤 주행 이벤트 상태에 있는지 파악하며, 파악된 주행 상태를 활용하여 향후 차량이 어떤 주행 이벤트 상태가 될지 예측할 수 있다. That is, the present invention is a patent for a method that allows a vehicle user to identify moments of risk of an accident and links it with an accident prevention system. The accident prevention system proposed by the present invention may determine the driving state of the vehicle, determine what driving event state it is in, and predict what driving event state the vehicle will be in in the future by using the identified driving state.

도 1은 본 발명의 실시예에 따른 주행 이벤트 예측 장치를 도시하는 도면이다. 1 is a diagram illustrating an apparatus for predicting a driving event according to an embodiment of the present invention.

도 1을 참조하면, 주행 이벤트 예측 장치(100)는 데이터 획득부(110), 차량 상태 결정부(120), 및 차량 주행 예측부(130)를 포함한다. 데이터 획득부(110)는 송수신부(111)와 센서부(113)를 포함할 수 있다. Referring to FIG. 1 , the driving event prediction apparatus 100 includes a data acquisition unit 110 , a vehicle state determiner 120 , and a vehicle driving prediction unit 130 . The data acquisition unit 110 may include a transceiver 111 and a sensor unit 113 .

주행 이벤트 예측 장치(100)는 차량 내부에 구현되고, 차량의 주행 상태를 검출하고 주행 이벤트를 예측할 수 있다.The driving event prediction apparatus 100 may be implemented inside a vehicle, detect a driving state of the vehicle, and predict a driving event.

데이터 획득부(110)는 무선 통신을 위한 송수신부(111) 및 센서부(113)를 이용하여 차량의 차량 데이터를 획득할 수 있다. The data acquisition unit 110 may acquire vehicle data of the vehicle using the transceiver 111 and the sensor unit 113 for wireless communication.

송수신부(111)는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현될 수 있다. The transceiver 111 may be implemented in a telematics-based communication device or a vehicle to everything (V2X)-based communication device.

텔레매틱스 기반 통신장치 내에 구현되는 송수신부(111)는 차량의 속도, 브레이크 포지션, 조향각 등에 관한 정보 중에서 적어도 하나를 획득할 수 있다. V2X 기반 통신장치 내에 구현되는 송수신부(111)는 차량 간 위치, 근처 사물의 위치, 주변 차량의 주행 정보(예를 들어, 주변 차량의 주행 의도) 중에서 적어도 하나의 정보를 획득할 수 있다. The transceiver 111 implemented in the telematics-based communication device may acquire at least one of information on vehicle speed, brake position, steering angle, and the like. The transceiver 111 implemented in the V2X-based communication device may acquire at least one piece of information from among a vehicle-to-vehicle location, a location of a nearby object, and driving information of a surrounding vehicle (eg, driving intention of a surrounding vehicle).

실시예에 따라, 데이터 획득부(110)는 데이터 획득부(110)를 포함하는 차량의 주변에 위치하는 주변 차량의 주행 상태 정보를 수신할 수 있다.According to an exemplary embodiment, the data obtaining unit 110 may receive driving state information of surrounding vehicles located in the vicinity of the vehicle including the data obtaining unit 110 .

센서부(113)는 차량 내부에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함할 수 있다. The sensor unit 113 may include at least one of a biosensor and an optical sensor implemented inside the vehicle.

상기 생체 센서는 차량 탑승자의 생체 정보를 감지할 수 있다. 상기 생체 정보는 차량 탑승자에 대한 발한, 호흡, 심박수, 체온, 소음 등에 관한 정보 중에서 적어도 하나를 포함할 수 있다. The biometric sensor may detect biometric information of a vehicle occupant. The biometric information may include at least one of information about sweating, respiration, heart rate, body temperature, noise, and the like for the vehicle occupant.

상기 광학 센서는 차량 탑승자의 신체 변화 정보를 감지할 수 있다. 상기 신체 변화 정보는 차량 탑승자에 대한 눈 크기, 눈 깜박이는 정도, 얼굴 근육 변화 등에 관한 정보 중에서 적어도 하나를 포함할 수 있다. The optical sensor may detect body change information of a vehicle occupant. The body change information may include at least one of information about an eye size, blinking degree, and facial muscle change for a vehicle occupant.

차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량이 이상 상태에 있는지 여부 및 차량에 사고 이벤트가 발생했는지 여부를 결정할 수 있다. The vehicle state determiner 120 may determine whether the vehicle is in an abnormal state and whether an accident event has occurred in the vehicle based on the vehicle data obtained by the data obtaining unit 110 .

차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량의 주행 상태 및 차량에 발생한 주행 이벤트를 감지(또는 결정)할 수 있다. The vehicle state determiner 120 may detect (or determine) the driving state of the vehicle and a driving event occurring in the vehicle based on the vehicle data acquired by the data acquiring unit 110 .

차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량의 주행 상태가 정상 상태인지 이상 상태인지 여부를 감지(또는 결정)할 수 있다. The vehicle state determiner 120 may detect (or determine) whether the driving state of the vehicle is a normal state or an abnormal state based on the vehicle data acquired by the data acquisition unit 110 .

또한, 차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량의 주행 상태가 정상 상태이지만 사고 이벤트가 발생했는지 여부 및 차량의 주행 상태가 이상 상태이며 사고 이벤트가 발생했는지 여부를 감지(또는 결정)할 수 있다. In addition, the vehicle state determination unit 120 determines whether the driving state of the vehicle is in a normal state but an accident event has occurred based on the vehicle data acquired by the data acquisition unit 110 and whether an accident event has occurred and the driving state of the vehicle is in an abnormal state. It can detect (or determine) whether it has occurred.

또한, 차량 상태 결정부(120)는 차량이 이상 상태에 있고 차량에 사고 이벤트가 발생하지 않은 경우 해당 차량를 위기 상태로 결정할 수 있다.Also, when the vehicle is in an abnormal state and an accident event does not occur in the vehicle, the vehicle state determiner 120 may determine the corresponding vehicle as a crisis state.

실시예에 따라, 차량 상태 결정부(120)는 상기 차량의 상기 위기 상태를 결정하기 위해 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 차량의 주행 조건을 결정할 수 있다.According to an embodiment, the vehicle state determination unit 120 may determine the driving condition of the vehicle classified as the crisis state based on vehicle data and machine learning to determine the crisis state of the vehicle. .

차량 주행 예측부(130)는 차량 상태 결정부(120)에서 감지(또는 결정)된 차량의 과거 및 현재의 주행 상태 및 주행 이벤트에 관한 정보에 기반하여 향후 차량의 주행 상태 및 주행 이벤트를 예측할 수 있다. The vehicle driving prediction unit 130 may predict the driving state and driving event of the vehicle in the future based on the information about the past and current driving conditions and driving events of the vehicle detected (or determined) by the vehicle state determining unit 120 . have.

특히, 차량 주행 예측부(130)는 차량 상태 결정부(120)에서 결정한 위기 상태에 관한 정보에 기반하여 향후 차량의 주행 이벤트를 예측할 수 있다.In particular, the vehicle driving predicting unit 130 may predict a future vehicle driving event based on the information on the crisis state determined by the vehicle state determining unit 120 .

차량 주행 예측부(130)는 차량 주행 예측부(130)를 포함하는 차량의 제1 주행 상태 정보 및 주변 차량의 제2 주행 상태 정보에 기반하여 상기 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정할 수 있다. The vehicle driving prediction unit 130 may include a plurality of accidents for each of a plurality of driving scenarios of the vehicle based on the first driving state information of the vehicle including the vehicle driving predicting unit 130 and the second driving state information of the surrounding vehicles. Hazard values can be determined.

실시예에 따라, 상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고, 상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함할 수 있다. According to an embodiment, the first driving state information includes past driving information of the first vehicle and current driving information of the first vehicle, and the second driving state information includes past driving information of the second vehicle and the Current driving information of the second vehicle may be included.

실시예에 따라, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은, 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.According to an embodiment, each of the first driving state information and the second driving state information may include information on whether an accident prevention system of a vehicle is operating, information on a sudden turn of the vehicle, information on sudden braking of the vehicle, The information may include at least one of heart rate change information of an occupant in the vehicle, respiration information of the occupant, body temperature information of the occupant, noise information of the vehicle, perspiration information of the occupant, and status information of the occupant.

차량 주행 예측부(130)는 상기 차량에 대한 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하고, 상기 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 차량에 대한 경고 신호를 제공할 수 있다.The vehicle driving prediction unit 130 determines whether a maximum value among a plurality of accident risk ratio values for the vehicle exceeds a threshold value, and when the accident risk ratio value of the vehicle exceeds a threshold value, a warning signal for the vehicle can provide

실시예에 따라, 상기 임계값은, 상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정될 수 있다.According to an embodiment, the threshold value may be determined based on average accident rate information of the vehicle for each of the plurality of driving scenarios.

도 2는 본 발명의 실시예에 따른 위기 상태를 설명하기 위한 도면이다. 2 is a view for explaining a crisis state according to an embodiment of the present invention.

도 1 및 도 2를 참조하면, 주행 이벤트 예측 장치(100)는 획득한 차량 데이터에 기반하여 해당 차량이 정상 상태(a)에 있는지 또는 이상 상태(b)에 있는지 여부를 결정할 수 있다. 1 and 2 , the driving event prediction apparatus 100 may determine whether the corresponding vehicle is in a normal state (a) or an abnormal state (b) based on the acquired vehicle data.

또한, 주행 이벤트 예측 장치(100)는 획득한 차량 데이터에 기반하여 해당 차량에 사고 이벤트(A)가 발생했는지 결정할 수 있다. 해당 차량에 사고 이벤트(A)가 발생한 경우, 주행 이벤트 예측 장치(100)는 정상 상태(a) 중 사고 이벤트(A)가 발생했는지 및 이상 상태(b) 중 사고 이벤트(A)가 발생했는지 여부를 결정할 수 있다. Also, the driving event prediction apparatus 100 may determine whether the accident event A has occurred in the corresponding vehicle based on the acquired vehicle data. When an accident event (A) occurs in the vehicle, the driving event prediction apparatus 100 determines whether the accident event (A) occurs in the normal state (a) and whether the accident event (A) occurs in the abnormal state (b) can be decided

또한, 주행 이벤트 예측 장치(100)는 해당 차량이 이상 상태(b)이지만 사고 이벤트(A)는 발생하지 않은 경우, 해당 차량의 상태를 위기 상태(C = b-d)로 결정할 수 있다.Also, when the corresponding vehicle is in an abnormal state (b) but the accident event (A) does not occur, the driving event prediction apparatus 100 may determine the state of the corresponding vehicle as a crisis state (C = b-d).

도 3은 본 발명의 실시예에 따라 각 주행 상태 별 주행 이벤트를 분류하는 과정을 나타내는 순서도이다. 3 is a flowchart illustrating a process of classifying driving events for each driving state according to an embodiment of the present invention.

도 1 내지 도 3을 참조하면, 주행 이벤트 예측 장치(100)는 차량의 주행 이벤트를 파악할 수 있다. 1 to 3 , the driving event prediction apparatus 100 may determine a driving event of a vehicle.

주행 이벤트 예측 장치(100)는 차량 데이터를 수집하고(S310), 상기 차량 데이터에 기반하여 기준이 되는 차량의 정상 상태에 대한 주행 이벤트를 분류할 수 있다(S320).The driving event prediction apparatus 100 may collect vehicle data ( S310 ) and classify driving events for a normal state of the vehicle as a reference based on the vehicle data ( S320 ).

주행 이벤트 예측 장치(100)는 차량의 이상 상태의 주행 이벤트를 분류하고(S330), 차량의 정상 상태 또는 이상 상태 중에서 사고 상태인 주행 이벤트를 분류할 수 있다(S340).The driving event prediction apparatus 100 may classify a driving event in an abnormal state of the vehicle ( S330 ) and classify a driving event in an accident state from among the normal or abnormal state of the vehicle ( S340 ).

이후, 주행 이벤트 예측 장치(100)는 차량이 이상 상태 및 사고 상태를 경우를 위기 상태로 결정하고, 사고 위험률이 높거나 위기 상태인 주행 이벤트를 분류할 수 있다(S350).Thereafter, the driving event prediction apparatus 100 may determine a case in which the vehicle is in an abnormal state and an accident state as a crisis state, and classify driving events having a high accident risk rate or a crisis state ( S350 ).

도 4는 본 발명의 실시예에 따라 현재 차량의 주행 상태를 위기 상태로 분류하는 과정을 설명하기 위한 도면이다. 4 is a view for explaining a process of classifying a current driving state of a vehicle into a crisis state according to an embodiment of the present invention.

도 4는 도 3에서 도시한 주행 이벤트 분류 방법에 대한 구체화된 일 실시예를 나타낸다. 도 4에 도시된 주행 조건(driving condition, DC)은 현재 차량의 주행 상태를 의미할 수 있다. FIG. 4 shows a detailed embodiment of the driving event classification method shown in FIG. 3 . The driving condition (DC) shown in FIG. 4 may mean a current driving state of the vehicle.

여기서, 주행 조건(또는 현재 차량의 주향 상태)은 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.Here, the driving condition (or the current driving state of the vehicle) includes information on whether the accident prevention system of the vehicle is operating, information on a sudden turn of the vehicle, information on sudden braking of the vehicle, and heart rate change information of an occupant in the vehicle , may include at least one of breathing information of the occupant, body temperature information of the occupant, noise information of the vehicle, perspiration information of the occupant, and state information of the occupant.

도 1 내지 도 4를 참조하면, 주행 이벤트 예측 장치(100)는 차량이 주행 중인지 여부를 판단할 수 있다(S401). S401 단계에 따라 차량이 주행 중인 경우, 주행 이벤트 예측 장치(100)는 현재 주행 상태에 상응하는 Di 값을 도출할 수 있다(S403).1 to 4 , the driving event prediction apparatus 100 may determine whether the vehicle is driving ( S401 ). When the vehicle is being driven according to step S401, the driving event prediction apparatus 100 may derive a D i value corresponding to the current driving state (S403).

주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하는지 여부를 판단할 수 있다(S405). S405 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 정상 상태로 분류할 수 있다. The driving event prediction apparatus 100 may determine whether the D i value corresponding to the current driving state of the vehicle falls within the range (a) of the normal state ( S405 ). If the D i value corresponding to the current driving state of the vehicle falls within the range (a) of the normal state in step S405 , the driving event prediction apparatus 100 may classify the current driving state DC of the vehicle as the normal state. .

S405 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 이상 상태로 분류할 수 있다(S411). If the D i value corresponding to the current driving state of the vehicle does not fall within the range a of the normal state in step S405 , the driving event prediction apparatus 100 may classify the current driving state DC of the vehicle as an abnormal state. (S411).

S401 단계에 따라 차량이 주행 중이지 않은 경우, 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값을 차량의 이전 주행 상태에 상응하는 Di-1 값으로 설정(Di = Di-1)할 수 있다(S409). When the vehicle is not driving according to step S401, the driving event prediction apparatus 100 sets a D i value corresponding to the current driving state of the vehicle to a D i-1 value corresponding to the previous driving state of the vehicle (D i = D i-1 ) can be done (S409).

S409 단계 이후 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 사고 상태의 범위(A) 내에 속하는지 여부를 판단할 수 있다(S413).After step S409 , the driving event prediction apparatus 100 may determine whether the D i value corresponding to the current driving state of the vehicle falls within the range A of the accident state ( S413 ).

S413 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 사고 상태의 범위(A) 내에 속하면, 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하는지 여부를 판단할 수 있다(S415). If the D i value corresponding to the current driving state of the vehicle falls within the range A of the accident state in step S413 , the driving event prediction apparatus 100 determines that the D i value corresponding to the current driving state of the vehicle is within the range of the normal state. It can be determined whether it belongs to (a) (S415).

S415 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 정상-사고 이벤트로 분류할 수 있다(S417). If the D i value corresponding to the current driving state of the vehicle falls within the range (a) of the normal state in step S415, the driving event prediction apparatus 100 classifies the current driving state DC of the vehicle as a normal-accident event. Can be (S417).

S413 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 사고 상태의 범위(A) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하는지 여부를 판단할 수 있다(S419). If the D i value corresponding to the current driving state of the vehicle does not fall within the range A of the accident state in step S413, the driving event prediction apparatus 100 determines that the D i value corresponding to the current driving state of the vehicle is within the range of the normal state. It can be determined whether it belongs to (a) (S419).

S415 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 이상-사고 이벤트로 분류할 수 있다(S421). If the D i value corresponding to the current driving state of the vehicle does not fall within the range (a) of the normal state in step S415, the driving event prediction apparatus 100 classifies the current driving state (DC) of the vehicle as an abnormal-accident event. can be (S421).

S419 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 위기 상태(C)로 분류할 수 있다(S423). If the D i value corresponding to the current driving state of the vehicle does not fall within the range (a) of the normal state in step S419, the driving event prediction apparatus 100 classifies the current driving state (DC) of the vehicle as a crisis state (C) It can be done (S423).

S419 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 정상 상태(a)로 분류할 수 있다(S425). If the D i value corresponding to the current driving state of the vehicle is within the range (a) of the normal state in step S419, the driving event prediction apparatus 100 classifies the current driving state (DC) of the vehicle as the normal state (a) It can be done (S425).

도 4에 도시된 주행 조건(또는 주행 상태) 분류 방법은 머신 러닝 환경에서 "labeling"을 이용하여 구현될 수 있다. 'labeling'된 데이터는 하나 혹은 그 이상의 태그(metadata)가 부착된 샘플 데이터의 집합이다.The driving condition (or driving state) classification method illustrated in FIG. 4 may be implemented using “labeling” in a machine learning environment. The 'labeled' data is a set of sample data to which one or more tags (metadata) are attached.

'labeling'은 일반적으로 태그가 부착되지 않은 데이터 집합을 사용하며 해당 데이터 파악을 통해 각 부분의 상태를 표현할 수 있는 태그를 부착시켜가는 행위를 뜻한다. 'Labeling' refers to the act of attaching a tag that can express the state of each part through the use of a data set that is not usually tagged, and the corresponding data.

예를 들어, 동물 사진에 “다리가 4개이다”, “파충류이다” 등의 태그를 부착할 수 있을 것이다.For example, you could attach tags such as “It has 4 legs” or “It is a reptile” to a picture of an animal.

본 특허의 'labeling' 기능 순서는 아래와 같다.The sequence of the 'labeling' function of this patent is as follows.

1) 각각의 입력값들의 기준점을 정의하고 해당 기준점을 중심으로 특성들을 추출한다.1) Define the reference point of each input value and extract the characteristics around the reference point.

A. 초기 기준점의 정의는 기존 기법(졸음 운전이나 위험 운전 등을 판단하는 데에 사용되었던)을 통해 새로 수집한 데이터 혹은 과거 데이터들을 분석하여 결정한다. A. The definition of the initial reference point is determined by analyzing newly collected data or past data through existing techniques (used to judge drowsy driving or dangerous driving).

B. driving Condition은 기존 기법의 평가를 기반으로 기준점과 정해진 시간 프레임 속에서의 변화 값을 일반화하여 결정한다. (정해진 시간 프레임은 데이터 소스 및 유형에 따라 달라짐)B. The driving condition is determined by generalizing the change value in the reference point and the set time frame based on the evaluation of the existing technique. (Determined time frame depends on data source and type)

2) 기준점을 활용하여 정상 상태의 데이터를 'labeling'한다.2) Using a reference point to 'label' the data in a steady state.

A. 기준점 데이터를 활용하여 특정 범위의 데이터를 일반적인 통계 기법 및 관련 데이터들의 참조를 통해 정상 데이터로 분류한다.A. Using reference point data, data in a specific range is classified as normal data through reference to general statistical techniques and related data.

B. 오차범위는 기존 통계기법을 활용하여 분류한다.B. The error range is classified using existing statistical techniques.

3) 기준점에서 벗어난 데이터들을 비정상 데이터로 분류한다.3) Classify data that deviates from the reference point as abnormal data.

A. 기준점 데이터를 활용하여 특정 범위를 벗어난 데이터를 일반적인 통계 기법 및 관련 데이터들의 참조를 통해 비정상 데이터로 분류한다.A. Using reference point data, data outside a specific range is classified as abnormal data through general statistical techniques and reference to related data.

4) 이벤트 유형에 따라 데이터를 'labeling'한다.4) 'labeling' the data according to the event type.

A. 사고가 발생하였을 때에 일어나는 이벤트 정보(에어백이 터짐, 가속도계가 일정 범위를 넘어섬 등)를 활용하여 관련 데이터들을 사고 데이터로 'labeling'한다.A. By using event information that occurs when an accident occurs (airbag deployment, accelerometer exceeding a certain range, etc.), related data are 'labeled' as accident data.

B. 사고 데이터로 'labeling' 되지 않고 비정상 데이터로 분류된 데이터들을 “close call”로 'labeling'한다.B. Data classified as abnormal data without being 'labeled' as accident data is 'labeled' with “close call”.

도 5는 본 발명의 실시예에 따라 주행 상태를 기반으로 차량의 사고 위험률을 계산하는 과정을 나타내는 순서도이다.5 is a flowchart illustrating a process of calculating an accident risk rate of a vehicle based on a driving state according to an embodiment of the present invention.

도 1 내지 도 5를 참조하면, 주행 이벤트 예측 장치(100)는 향후 차량의 주행 이벤트를 예측할 수 있다. 1 to 5 , the driving event prediction apparatus 100 may predict a future driving event of a vehicle.

주행 이벤트 예측 장치(100)는 차량 데이터를 수집하고(S510), 수집된 차량 데이터에 기반하여 차량의 주행 상태를 파악할 수 있다(S520). 이후, 주행 이벤트 예측 장치(100)는 파악된 주행 상태를 기반으로 과거 데이터와 대조하여 차량의 사고 위험률을 계산할 수 있다(S530).The driving event prediction apparatus 100 may collect vehicle data (S510) and determine the driving state of the vehicle based on the collected vehicle data (S520). Thereafter, the driving event prediction apparatus 100 may calculate the accident risk of the vehicle by comparing it with past data based on the identified driving state ( S530 ).

주행 이벤트 예측 장치(100)는 계산된 사고 위험률에 기반하여 향후 차량에 발생할 수 있는 주행 이벤트를 예측할 수 있다. The driving event prediction apparatus 100 may predict a driving event that may occur in the vehicle in the future based on the calculated accident risk rate.

도 6은 본 발명의 일 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다. 6 is a diagram illustrating a situation in which a warning signal is provided to a vehicle according to an embodiment of the present invention.

도 1, 도 2, 및 도 6을 참조하면, 제1 차량(V1) 또는 제2 차량(V2) 내에 구현되는 주행 이벤트 예측 장치(100)는 제1 차량(V1)의 현재 주행 상태(Di,1) 및 제2 차량(V2)의 현재 주행 상태(Di,2)에 기반하여 케이스 별로 사고 위험 확률(Pk,l(x))을 계산할 수 있다.1, 2, and 6 , the driving event prediction apparatus 100 implemented in the first vehicle V 1 or the second vehicle V 2 is the current driving state of the first vehicle V 1 . Based on (D i,1 ) and the current driving state (D i,2 ) of the second vehicle V 2 , the accident risk probability P k,l (x)) may be calculated for each case.

더불어, 주행 이벤트 예측 장치(100)는 케이스 별 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(

Figure pat00001
)을 계산할 수 있다.In addition, the running event prediction device 100 accident risk probability per case (P k, l (x)) from the risk of accidents associated with the integrated incident event (
Figure pat00001
) can be calculated.

도 6에서, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,a(a)로 표현될 수 있다.In FIG. 6 , the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D of the second vehicle V 2 . When i,2 ) is a steady state (a) and (D i,2 = a) and the driving result is a steady state in which an accident event does not occur, the probability may be expressed as P a,a (a).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생한 정상 상태일 경우 확률은 Pa,a(c)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the second vehicle V 2 , When 2 ) is a steady state (a) and (D i,2 = a) and the driving result is a steady state in which an accident event occurs, the probability can be expressed as P a,a (c).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,b(a)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the second vehicle V 2 , When 2 ) is an abnormal state (b) (D i,2 = b) and the driving result is a normal state in which an accident event does not occur, the probability can be expressed as P a,b (a).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 이상 상태일 경우 확률은 Pa,b(b)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the second vehicle V 2 , When 2 ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event does not occur, the probability can be expressed as P a,b (b).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 정상 상태일 경우 확률은 Pa,b(c)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the second vehicle V 2 , 2 ) is an abnormal state (b) (D i,2 = b) and the driving result is a normal state in which an accident event occurs, the probability can be expressed as P a,b (c).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pa,b(d)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the second vehicle V 2 , 2 ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event occurs, the probability can be expressed as P a,b (d).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is an abnormal state b) (D i,1 = b), and the current driving state D i of the second vehicle V 2 , When 2 ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event does not occur, the probability can be expressed as P b,b (b).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is an abnormal state b) (D i,1 = b), and the current driving state D i of the second vehicle V 2 , When 2 ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event does not occur, the probability can be expressed as P b,b (b).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pb,b(d)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is an abnormal state b) (D i,1 = b), and the current driving state D i of the second vehicle V 2 , When 2 ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event occurs, the probability can be expressed as P b,b (d).

케이스 별 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(

Figure pat00002
)은 "
Figure pat00003
= Pa,a(c) + Pa,b(c) + Pa,b(d) + Pb,b(d)"의 수식에 의해 결정될 수 있다.The integrated accident risk ratio (P k,l (x)) related to the accident event
Figure pat00002
)silver "
Figure pat00003
= P a,a (c) + P a,b (c) + P a,b (d) + P b,b (d)”.

제1 차량(V1) 또는 제2 차량(V2) 내에 구현되는 주행 이벤트 예측 장치(100)는 통합 사고 위험률(

Figure pat00004
)이 임계값(
Figure pat00005
) 보다 큰지 여부를 판단하고, 통합 사고 위험률(
Figure pat00006
)이 임계값(
Figure pat00007
) 보다 크면, 제1 차량(V1) 또는 제2 차량(V2)에 경고 신호를 제공할 수 있다.The driving event prediction apparatus 100 implemented in the first vehicle (V 1 ) or the second vehicle (V 2 ) is an integrated accident risk rate (
Figure pat00004
) is the threshold (
Figure pat00005
) to determine whether it is greater than the integrated accident risk rate (
Figure pat00006
) is the threshold (
Figure pat00007
), it is possible to provide a warning signal to the first vehicle (V 1 ) or the second vehicle (V 2 ).

실시예에 따라, 차량에 사고 이벤트가 발생했을 때 해당 상황에서의 통합 사고 위험률(

Figure pat00008
) 값들을 수집하고 임계값(
Figure pat00009
)이 될 수 있는 후보값들을 데이터 풀에 추가할 수 있다. 이후, 데이터 풀을 분석하여 임계값(
Figure pat00010
) 값을 도출할 수 있다. (기상청에서 비 올 확률이 ~%일 때부터 '강수'라고 정의하는 방식과 유사하게)According to the embodiment, when an accident event occurs in the vehicle, the integrated accident risk rate (
Figure pat00008
) values are collected and the threshold (
Figure pat00009
) can be added to the data pool. After that, by analyzing the data pool, the threshold (
Figure pat00010
) can be derived. (Similar to the way the Meteorological Administration defines 'precipitation' when the probability of rain is ~%)

다른 실시예에 따라, 차량의 사고율을 특성으로 추출하고 주행 이벤트에 따라 데이터를 'labeling'하고, 데이터 풀을 분석하여 적절한 임계값(

Figure pat00011
)을 도출할 수 있다.According to another embodiment, the accident rate of a vehicle is extracted as a characteristic, data is 'labeled' according to a driving event, and an appropriate threshold value (
Figure pat00011
) can be derived.

도 7은 도 6에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다. 7 is a flowchart for explaining a situation in which the warning signal shown in FIG. 6 is provided.

도 1 내지 도 7을 참고하면, 주행 이벤트 예측 장치(100)는 차량 데이터를 수집할 수 있다(S710).1 to 7 , the driving event prediction apparatus 100 may collect vehicle data ( S710 ).

주행 이벤트 예측 장치(100)는 주행 이벤트 예측 장치(100)를 포함하는 제1 차량의 현재 주행 상태(Di,1) 및 제1 차량의 주변에 위치하는 제2 차량의 현재 주행 상태(Di,2)를 파악할 수 있다(S720).Driving event prediction device 100 is running an event predicted current running condition of the first vehicle including the device 100 (D i, 1) and the current running state of the second vehicle which is located in the vicinity of the first vehicle (D i , 2 ) can be grasped (S720).

주행 이벤트 예측 장치(100)는 제1 차량의 현재 주행 상태(Di,1) 및 제2 차량의 현재 주행 상태(Di,2)를 기반으로 과거 데이터와 대조하여 결과 케이스 별 확률(Pk,l(x))을 계산할 수 있다(S730).The driving event prediction apparatus 100 compares the current driving state (D i,1 ) of the first vehicle and the current driving state (D i,2 ) of the second vehicle with past data to compare the resulting case-specific probability (P k ) ,l (x)) can be calculated (S730).

주행 이벤트 예측 장치(100)는 케이스 별 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(

Figure pat00012
)을 계산할 수 있다(S740).Driving event prediction device 100 has a case by chance (P k, l (x)) from the risk of accidents associated with the integrated incident event (
Figure pat00012
) can be calculated (S740).

주행 이벤트 예측 장치(100)는 통합 사고 위험률(

Figure pat00013
)이 임계값(
Figure pat00014
) 보다 큰지 여부를 판단할 수 있다(S750). 통합 사고 위험률(
Figure pat00015
)이 임계값(
Figure pat00016
) 보다 크면, 주행 이벤트 예측 장치(100)는 차량에 경고 신호를 제공할 수 있다(S760).The driving event prediction device 100 is an integrated accident risk rate (
Figure pat00013
) is the threshold (
Figure pat00014
) it is possible to determine whether it is greater than (S750). Integrated accident risk (
Figure pat00015
) is the threshold (
Figure pat00016
), the driving event prediction apparatus 100 may provide a warning signal to the vehicle (S760).

도 8은 본 발명의 다른 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다. 8 is a diagram illustrating a situation in which a warning signal is provided to a vehicle according to another embodiment of the present invention.

도 6에서는 제1 차량(V1) 근처에 하나의 주변 차량(V2)이 존재하는 반면, 도 8에서는 제1 차량(V1) 근처에 복수의 주변 차량들(V2, V3, V4...Vn)이 존재하는 점에서 양 실시예는 차이가 있다.In Figure 6, the first vehicle (V 1) a peripheral vehicle around, while the (V 2) is present, in Figure 8 the first vehicle plurality of nearby vehicles close to (V 1) (V 2, V 3, V 4 ...V n ) is different in both embodiments.

도 1, 도 2, 및 도 8을 참조하면, 제1 차량(V1) 또는 제n 차량(Vn) 내에 구현되는 주행 이벤트 예측 장치(100)는 제1 차량(V1)의 현재 주행 상태(Di,1) 및 제n 차량(Vn)의 현재 주행 상태(Di,n)에 기반하여 케이스 별로 사고 위험 확률(Pk,l(x))을 계산할 수 있다.1, 2, and 8 , the driving event prediction apparatus 100 implemented in the first vehicle V 1 or the n-th vehicle V n is the current driving state of the first vehicle V 1 . Accident risk probability (P k,l (x)) may be calculated for each case based on (D i,1 ) and the current driving state (D i,n ) of the n-th vehicle (V n ).

더불어, 주행 이벤트 예측 장치(100)는 케이스 별 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(

Figure pat00017
)을 계산할 수 있다.In addition, the running event prediction device 100 accident risk probability per case (P k, l (x)) from the risk of accidents associated with the integrated incident event (
Figure pat00017
) can be calculated.

도 8에서, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,a(a)로 표현될 수 있다.In FIG. 8 , the current driving state D i,1 of the first vehicle V 1 is a normal state a (D i,1 = a), and the current driving state D of the nth vehicle V n . If i,n ) is a steady state (a) (D i,2 = a) and the driving result is a steady state in which an accident event does not occur, the probability may be expressed as P a,a (a).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생한 정상 상태일 경우 확률은 Pa,a(c)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the nth vehicle V n is When n ) is a steady state (a) (D i,2 = a) and the driving result is a steady state in which an accident event occurs, the probability may be expressed as P a,a (c).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,b(a)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the nth vehicle V n is When n ) is an abnormal state (b) (D i,2 = b) and the driving result is a normal state in which an accident event does not occur, the probability may be expressed as P a,b (a).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 이상 상태일 경우 확률은 Pa,b(b)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the nth vehicle V n is When n ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event does not occur, the probability may be expressed as P a,b (b).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 정상 상태일 경우 확률은 Pa,b(c)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the nth vehicle V n is When n ) is an abnormal state (b) (D i,2 = b) and the driving result is a normal state in which an accident event occurs, the probability can be expressed as P a,b (c).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pa,b(d)로 표현될 수 있다.In addition, the current driving state D i,1 of the first vehicle V 1 is a normal state (a) and (D i,1 = a), and the current driving state D i of the nth vehicle V n is When n ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event occurs, the probability may be expressed as P a,b (d).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.In addition, the current driving state (D i,1 ) of the first vehicle (V 1 ) is an abnormal state (b) (D i,1 = b), and the current driving state (D i, of the nth vehicle (V n )) When n ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event does not occur, the probability may be expressed as P b,b (b).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.In addition, the current driving state (D i,1 ) of the first vehicle (V 1 ) is an abnormal state (b) (D i,1 = b), and the current driving state (D i, of the nth vehicle (V n )) When n ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event does not occur, the probability may be expressed as P b,b (b).

또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pb,b(d)로 표현될 수 있다.In addition, the current driving state (D i,1 ) of the first vehicle (V 1 ) is an abnormal state (b) (D i,1 = b), and the current driving state (D i, of the nth vehicle (V n )) When n ) is an abnormal state (b) (D i,2 = b) and the driving result is an abnormal state in which an accident event occurs, the probability may be expressed as P b,b (d).

상기 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(

Figure pat00018
)은 "
Figure pat00019
= Pa,a(c) + Pa,b(c) + Pa,b(d) + Pb,b(d)"의 수식에 의해 결정될 수 있다.Among the above accident risk probabilities (P k,l (x)), the integrated accident risk ratio (
Figure pat00018
)silver "
Figure pat00019
= P a,a (c) + P a,b (c) + P a,b (d) + P b,b (d)”.

이후, 제1 차량(V1)과 복수의 주변 차량들(V2, V3, V4...Vn) 간 발생한 케이스 중 최고 통합 사고 위험률(MAX(

Figure pat00020
))이 결정될 수 있다.Since, the first vehicle (V 1) and the plurality of nearby vehicles (V 2, V 3, V 4 ... V n) the best integration accident risk of the case occurred between (MAX (
Figure pat00020
)) can be determined.

제1 차량(V1) 내에 구현되는 주행 이벤트 예측 장치(100)는 최고 통합 사고 위험률(MAX(

Figure pat00021
))이 임계값(
Figure pat00022
) 보다 큰지 여부를 판단하고, 최고 통합 사고 위험률(MAX(
Figure pat00023
))이 임계값(
Figure pat00024
) 보다 크면, 제1 차량(V1)에 경고 신호를 제공할 수 있다.The driving event prediction device 100 implemented in the first vehicle V 1 has the highest integrated accident risk rate (MAX(
Figure pat00021
)) is the threshold (
Figure pat00022
) is greater than, and the highest integrated accident risk (MAX(
Figure pat00023
)) is the threshold (
Figure pat00024
), it is possible to provide a warning signal to the first vehicle (V 1 ).

도 9는 도 8에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다. 9 is a flowchart for explaining a situation in which the warning signal shown in FIG. 8 is provided.

도 1 내지 도 9를 참고하면, 주행 이벤트 예측 장치(100)는 차량 데이터를 수집할 수 있다(S910).1 to 9 , the driving event prediction apparatus 100 may collect vehicle data (S910).

주행 이벤트 예측 장치(100)는 주행 이벤트 예측 장치(100)를 포함하는 차량의 현재 주행 상태(Di,1) 및 상기 차량의 주변에 위치하는 복수의 주변 차량들의 현재 주행 상태(Di,j)를 파악할 수 있다(S920).The driving event prediction apparatus 100 includes a current driving state (D i,1 ) of a vehicle including the driving event prediction apparatus 100 and a current driving state (D i,j) of a plurality of surrounding vehicles located in the vicinity of the vehicle. ) can be grasped (S920).

주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태(Di,1) 및 복수의 주변 차량들의 현재 주행 상태(Di,j)를 기반으로 과거 데이터와 대조하여 결과 케이스 별 확률(Pk,l(x))을 계산할 수 있다(S930).The driving event prediction apparatus 100 compares the current driving state of the vehicle (D i,1 ) and the current driving state (D i,j ) of a plurality of surrounding vehicles with past data to compare the result with case-specific probability (P k, l (x)) can be calculated (S930).

주행 이벤트 예측 장치(100)는 케이스 별 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(

Figure pat00025
)을 계산할 수 있다(S940).Driving event prediction device 100 has a case by chance (P k, l (x)) from the risk of accidents associated with the integrated incident event (
Figure pat00025
) can be calculated (S940).

주행 이벤트 예측 장치(100)는 발생한 케이스 중 최고 통합 사고 위험률(MAX(

Figure pat00026
))을 결정할 수 있다(S950).The driving event prediction device 100 has the highest integrated accident risk rate (MAX (
Figure pat00026
)) can be determined (S950).

주행 이벤트 예측 장치(100)는 최고 통합 사고 위험률(MAX(

Figure pat00027
))이 임계값(
Figure pat00028
) 보다 큰지 여부를 판단할 수 있다(S960). 최고 통합 사고 위험률(MAX(
Figure pat00029
))이 임계값(
Figure pat00030
) 보다 크면, 주행 이벤트 예측 장치(100)는 차량에 경고 신호를 제공할 수 있다(S970).The driving event prediction device 100 has the highest integrated accident risk rate (MAX (
Figure pat00027
)) is the threshold (
Figure pat00028
) it is possible to determine whether it is greater than (S960). The highest integrated accident risk (MAX(
Figure pat00029
)) is the threshold (
Figure pat00030
), the driving event prediction apparatus 100 may provide a warning signal to the vehicle ( S970 ).

상기 실시예들에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 본 발명의 실시예들에서 사용될 수 있는 데이터 구조, 프로그램 명령, 혹은 데이터 파일은 컴퓨터로 읽을 수 있는 기록매체에 다양한 수단을 통하여 기록될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 저장 장치를 포함할 수 있다. The method according to the above embodiments can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium. In addition, the data structure, program command, or data file that can be used in the above-described embodiments of the present invention may be recorded in a computer-readable recording medium through various means. The computer-readable recording medium may include any type of storage device in which data readable by a computer system is stored.

컴퓨터로 읽을 수 있는 기록매체의 예로는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 또한, 컴퓨터로 읽을 수 있는 기록매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 전송 매체일 수도 있다. 프로그램 명령의 예로는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and floppy disks. Hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like may be included. In addition, the computer-readable recording medium may be a transmission medium for transmitting a signal designating a program command, a data structure, and the like. Examples of the program instruction may include not only machine code such as generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.

본 명세서와 도면에 개시된 실시 예들은 본 개시의 내용을 쉽게 설명하고, 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 개시의 범위를 한정하고자 하는 것은 아니다. 따라서 본 개시의 범위는 여기에 개시된 실시 예들 이외에도 본 개시의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.Embodiments disclosed in the present specification and drawings are merely provided for specific examples to easily explain the contents of the present disclosure and help understanding, and are not intended to limit the scope of the present disclosure. Therefore, the scope of the present disclosure should be construed as including all changes or modifications derived from the technical spirit of the present disclosure in addition to the embodiments disclosed herein as being included in the scope of the present disclosure.

100: 주행 이벤트 예측 장치 110: 데이터 획득부
111: 송수신부 113: 센서부
120: 차량 상태 결정부 130: 차량 주행 예측부100: driving event prediction device 110: data acquisition unit
111: transceiver 113: sensor unit
120: vehicle state determination unit 130: vehicle driving prediction unit

Claims (16)

차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치의 동작 방법에 있어서,
무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 단계;
상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하는 단계;
상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우, 상기 제1 차량를 위기 상태로 결정하는 단계; 및
상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 단계를 포함하는 것을 특징으로 하는 방법. A method of operating an apparatus for detecting a driving state of a vehicle and predicting a driving event, the method comprising:
acquiring vehicle data of the first vehicle by using a transceiver for wireless communication and at least one sensor;
determining whether the first vehicle is in an abnormal state and whether an accident event has occurred in the first vehicle based on the vehicle data;
determining the first vehicle as a critical state when the first vehicle is in the abnormal state and the accident event does not occur in the first vehicle; and
and predicting a driving event of the first vehicle based on the information about the crisis state. 제1항에 있어서,
상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하는 단계; 및
상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신하는 단계를 더 포함하는 것을 특징으로 하는 방법. According to claim 1,
determining first driving state information of the first vehicle based on the vehicle data; and
The method of claim 1, further comprising: receiving second driving state information of a second vehicle located in the vicinity of the first vehicle. 제2항에 있어서,
상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하는 단계;
상기 제1 차량에 대한 상기 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하는 단계; 및
상기 제1 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량에 대한 경고 신호를 제공하는 단계를 포함하는 것을 특징으로 하는 방법. 3. The method of claim 2,
determining a plurality of accident risk rate values for each of a plurality of driving scenarios of the first vehicle based on the first driving state information and the second driving state information;
determining whether a maximum value among the plurality of accident risk rate values for the first vehicle exceeds a threshold value; and
and providing a warning signal to the first vehicle when the accident risk rate value of the first vehicle exceeds a threshold value. 제3항에 있어서, 상기 임계값은,
상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정되는 것을 특징으로 하는 방법.The method of claim 3, wherein the threshold is
Method according to claim 1, characterized in that it is determined based on average accident rate information of the vehicle for each of the plurality of driving scenarios. 제2항에 있어서,
상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고,
상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함하는 것을 특징으로 하는 방법.3. The method of claim 2,
The first driving state information includes past driving information of the first vehicle and current driving information of the first vehicle,
The second driving state information includes past driving information of the second vehicle and current driving information of the second vehicle. 제1항에 있어서, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은,
차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함하는 것을 특징으로 하는 방법.According to claim 1, wherein each of the first driving state information and the second driving state information,
Information on whether the vehicle accident prevention system is in operation, information on sudden rotation of the vehicle, information on sudden braking of the vehicle, heart rate change information of an occupant in the vehicle, breathing information of the occupant, body temperature information of the occupant, Method comprising at least one of noise information of the vehicle, sweat information of the occupant, and status information of the occupant. 제1항에 있어서,
상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현되고,
상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함하는 것을 특징으로 하는 방법.According to claim 1,
The transceiver is implemented in a telematics-based communication device or a vehicle to everything (V2X)-based communication device,
The at least one sensor comprises at least one of a biometric sensor and an optical sensor implemented in the first vehicle. 제1항에 있어서,
상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정하는 단계를 더 포함하는 것을 특징으로 하는 방법.According to claim 1,
The method further comprising the step of determining a driving condition of the first vehicle classified into the crisis state based on the vehicle data and machine learning to determine the crisis state of the first vehicle Way. 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치에 있어서,
무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 데이터 획득부;
상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하거. 상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우 상기 제1 차량를 위기 상태로 결정하는 차량 상태 결정부; 및
상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 차량 주행 예측부를 포함하는 것을 특징으로 하는 장치. An apparatus for detecting a driving state of a vehicle and predicting a driving event, the device comprising:
a data acquisition unit configured to acquire vehicle data of the first vehicle using a transceiver for wireless communication and at least one sensor;
determining whether the first vehicle is in an abnormal state and whether an accident event has occurred in the first vehicle based on the vehicle data; a vehicle state determining unit configured to determine the first vehicle as a critical state when the first vehicle is in the abnormal state and the accident event does not occur in the first vehicle; and
and a vehicle driving prediction unit for predicting a driving event of the first vehicle based on the information on the crisis state. 제9항에 있어서,
상기 차량 상태 결정부는 상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하고,
상기 데이터 획득부는 상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신하는 것을 특징으로 하는 장치. 10. The method of claim 9,
The vehicle state determining unit determines first driving state information of the first vehicle based on the vehicle data,
The data obtaining unit receives second driving state information of a second vehicle located in the vicinity of the first vehicle. 제10항에 있어서, 상기 차량 주행 예측부는,
상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하고,
상기 제1 차량에 대한 상기 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하고, 상기 제1 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량에 대한 경고 신호를 제공하는 것을 특징으로 하는 장치. The method of claim 10, wherein the vehicle driving prediction unit,
determining a plurality of accident risk rate values for each of a plurality of driving scenarios of the first vehicle based on the first driving state information and the second driving state information,
Determine whether a maximum value among the plurality of accident risk values for the first vehicle exceeds a threshold value, and if the accident risk ratio value of the first vehicle exceeds a threshold value, provide a warning signal to the first vehicle Device characterized in that. 제11항에 있어서, 상기 임계값은,
상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정되는 것을 특징으로 하는 장치.The method of claim 11, wherein the threshold is
Device, characterized in that determined based on the vehicle average accident rate information for each of the plurality of driving scenarios. 제10항에 있어서,
상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고,
상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함하는 것을 특징으로 하는 장치.11. The method of claim 10,
The first driving state information includes past driving information of the first vehicle and current driving information of the first vehicle,
The second driving state information includes past driving information of the second vehicle and current driving information of the second vehicle. 제9항에 있어서, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은,
차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함하는 것을 특징으로 하는 장치.The method of claim 9, wherein each of the first driving state information and the second driving state information comprises:
Information on whether the vehicle accident prevention system is in operation, information on sudden rotation of the vehicle, information on sudden braking of the vehicle, heart rate change information of an occupant in the vehicle, breathing information of the occupant, body temperature information of the occupant, The apparatus of claim 1, comprising at least one of noise information of the vehicle, sweat information of the occupant, and status information of the occupant. 제9항에 있어서,
상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현되고,
상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함하는 것을 특징으로 하는 장치.10. The method of claim 9,
The transceiver is implemented in a telematics-based communication device or a vehicle to everything (V2X)-based communication device,
The at least one sensor comprises at least one of a biometric sensor and an optical sensor implemented in the first vehicle. 제9항에 있어서, 상기 차량 상태 결정부는,
상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정하는 것을 특징으로 하는 장치.
The method of claim 9, wherein the vehicle state determining unit,
and determining a driving condition of the first vehicle classified into the crisis state based on the vehicle data and machine learning to determine the crisis state of the first vehicle.
KR1020210019211A 2020-06-02 2021-02-10 Apparatus for detecting driving state of vehicle and predicting driving event and operating method thereof KR102515353B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010490871.1 2020-06-02
CN202010490871.1A CN113753056A (en) 2020-06-02 2020-06-02 Travel event prediction device and method of operating the same

Publications (2)

Publication Number Publication Date
KR20210150957A true KR20210150957A (en) 2021-12-13
KR102515353B1 KR102515353B1 (en) 2023-03-30

Family

ID=78782894

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210019211A KR102515353B1 (en) 2020-06-02 2021-02-10 Apparatus for detecting driving state of vehicle and predicting driving event and operating method thereof

Country Status (2)

Country Link
KR (1) KR102515353B1 (en)
CN (1) CN113753056A (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008072282A1 (en) * 2006-12-08 2008-06-19 Pioneer Corporation Information recording device, information processing device, information recording method, information processing method, information recording program, and computer-readable recording medium
JP5082372B2 (en) * 2006-10-16 2012-11-28 トヨタ自動車株式会社 Vehicle travel support device
WO2016103460A1 (en) * 2014-12-26 2016-06-30 横浜ゴム株式会社 Collision avoidance system
JP2017084352A (en) * 2015-10-22 2017-05-18 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ Method and system for supporting driver of vehicle when driving the same vehicle, vehicle, and computer program
KR20180113447A (en) * 2017-04-06 2018-10-16 삼성전자주식회사 Electronic apparatus, alert message providing method of thereof and non-transitory computer readable recording medium

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5082372B2 (en) * 2006-10-16 2012-11-28 トヨタ自動車株式会社 Vehicle travel support device
WO2008072282A1 (en) * 2006-12-08 2008-06-19 Pioneer Corporation Information recording device, information processing device, information recording method, information processing method, information recording program, and computer-readable recording medium
WO2016103460A1 (en) * 2014-12-26 2016-06-30 横浜ゴム株式会社 Collision avoidance system
JP2017084352A (en) * 2015-10-22 2017-05-18 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ Method and system for supporting driver of vehicle when driving the same vehicle, vehicle, and computer program
KR20180113447A (en) * 2017-04-06 2018-10-16 삼성전자주식회사 Electronic apparatus, alert message providing method of thereof and non-transitory computer readable recording medium

Also Published As

Publication number Publication date
CN113753056A (en) 2021-12-07
KR102515353B1 (en) 2023-03-30

Similar Documents

Publication Publication Date Title
Kumar et al. Driver drowsiness monitoring system using visual behaviour and machine learning
US11640717B2 (en) Image analysis technologies for identifying abnormal vehicle conditions
CN107067718B (en) Traffic accident responsibility evaluation method, traffic accident responsibility evaluation device, and traffic accident responsibility evaluation system
EP3965082B1 (en) Vehicle monitoring system and vehicle monitoring method
US10417486B2 (en) Driver behavior monitoring systems and methods for driver behavior monitoring
US20150006023A1 (en) System and method for determination of vheicle accident information
US11810373B2 (en) Cognitive function estimation device, learning device, and cognitive function estimation method
US11285963B2 (en) Driver-based prediction of dangerous events
KR101839089B1 (en) Method for recognizing driver's drowsiness, and apparatus for recognizing drowsiness
Anitha et al. A two fold expert system for yawning detection
Lashkov et al. Driver dangerous state detection based on OpenCV & dlib libraries using mobile video processing
Guria et al. Iot-enabled driver drowsiness detection using machine learning
Chinthalachervu et al. Driver drowsiness detection and monitoring system using machine learning
KR102515353B1 (en) Apparatus for detecting driving state of vehicle and predicting driving event and operating method thereof
CN117334047A (en) Dangerous driving behavior detection method and device
JP7223275B2 (en) Learning method, driving assistance method, learning program, driving assistance program, learning device, driving assistance system and learning system
US20220165092A1 (en) Accident detection device and accident detection method
CN111178194A (en) Intrusion detection method, device and equipment
KR20170027093A (en) Apparatus for providing the moving body around vehicle
KR102331329B1 (en) Internet of Things driving control system based on state change detection, and method thereof
WO2021095153A1 (en) Driver anomaly response system, driver anomaly response method, and program
KR20220063952A (en) System for preventing drowsy driving based on brain engineering
EP4343733A1 (en) Information notification system and information notification method
CN113420725B (en) Method, device, system and storage medium for identifying false alarm scenes of BSD (backup service discovery) product
Ahmed et al. Drivers Real time Drowsiness, Attention Detection and Alarm System using Eye Aspect Ratio (EAR) Analysis

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant