KR20230014749A - 데이터 처리 방법, 장치 및 디바이스 - Google Patents
데이터 처리 방법, 장치 및 디바이스 Download PDFInfo
- Publication number
- KR20230014749A KR20230014749A KR1020227045056A KR20227045056A KR20230014749A KR 20230014749 A KR20230014749 A KR 20230014749A KR 1020227045056 A KR1020227045056 A KR 1020227045056A KR 20227045056 A KR20227045056 A KR 20227045056A KR 20230014749 A KR20230014749 A KR 20230014749A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- driving
- vehicle
- historical
- feature
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
- G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
- G11B27/02—Editing, e.g. varying the order of information signals recorded on, or reproduced from, record carriers
- G11B27/031—Electronic editing of digitised analogue information signals, e.g. audio or video signals
-
- 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
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
- G07C5/04—Registering or indicating driving, working, idle, or waiting time only using counting means or digital clocks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- G07C5/0808—Diagnosing performance data
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
이 출원의 실시예는 데이터 처리 방법, 장치 및 디바이스를 제공한다. 방법은, 제1 데이터 및 제1 이력 주행 특징을 획득하는 단계(제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함하고, 제1 이력 주행 특징은 차량의 이력 주행 데이터에 기반하여 판정됨)와, 제1 데이터 및 제1 이력 주행 특징에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하는 단계와, 제1 시간 기간에 기반하여 차량의 주행 기록 비디오를 주석하는 단계를 포함한다. 이것은 비디오 클립을 탐색하는 것의 효율을 개선한다.
Description
이 출원은 지능형 주행(intelligent driving) 및 지능형 차량(intelligent vehicle) 기술 분야에 관련되고, 특히 데이터 처리 방법, 장치 및 디바이스에 관련된다.
현재, 주행 기록기(driving recorder)가 많은 차량에 배치되며, 주행 과정 동안 차량의 비디오를 촬영하고 저장할 수 있다.
주행 기록기에 의해 촬영된(shot) 비디오 및 비디오의 촬영 시간은 사전설정된 저장 공간 내에 저장될 수 있다. 특수한 경우에, 예를 들어, 차량에 사고가 발생하거나, 사용자가 주행 시나리오를 상기하는 경우에, 사용자는 사전설정된 저장 공간 내에서 대응하는 비디오 클립(video clip)을 탐색할 필요가 있다. 종래의 기술에서, 사용자는 통상적으로 대략적인 시간을 추정하고, 추정된 시간에 기반하여, 사전설정된 저장 공간 내에서 대응하는 비디오 클립을 탐색한다. 그러나, 이 방식으로 비디오 클립을 탐색하는 것은 효율적이지 않다.
이 출원의 실시예는 데이터 처리 방법, 장치 및 디바이스를 제공한다. 이것은 비디오 클립을 탐색하는 것의 효율을 개선한다.
제1 측면에 따르면, 이 출원의 실시예는 데이터 처리 방법을 제공한다. 방법은 다음을 포함한다: 제1 데이터 및 제1 이력 주행 특징(historical driving feature)을 획득하는 것; 제1 데이터 및 제1 이력 주행 특징에 기반하여, 제1 시간 기간(time period)에서 차량(vehicle)이 이상함(abnormal)을 판정하는 것; 및 제1 시간 기간에 기반하여 차량의 주행 기록 비디오(driving record video)를 주석하는 것(annotating). 제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터(driving data)를 포함하고, 제1 이력 주행 특징은 차량의 이력 주행 데이터(historical driving data)에 기반하여 판정된다.
전술한 프로세스에서, 제1 데이터는 제1 시간 기간에서의 차량의 주행 상태(driving status)를 반영할 수 있고, 제1 이력 주행 특징은 차량의 운전자(driver)의 주행 습관을 반영할 수 있다. 사용자의 주행 습관은 통상적으로 고정되므로, 제1 시간 기간에서 차량이 이상한지가 제1 주행 데이터 및 제1 이력 주행 특징에 기반하여 정확하게 판정될 수 있다. 제1 시간 기간에서 차량이 이상함이 판정된 경우에, 이미지 촬영 디바이스(image shooting device)에 의해 촬영된 주행 기록 비디오는 제1 시간 기간에서 차량이 이상함을 기록하기 위해 주석될(annotated) 수 있다. 이 방식으로, 주행 기록 비디오는 정확하게 주석될 수 있다. 비디오 클립 탐색 효율을 개선하기 위해, 사용자는 주행 기록 비디오의 주석 결과에 기반하여 비디오 클립을 정확하게, 그리고 신속하게 탐색할 수 있다.
가능한 구현에서, 제1 주행 데이터는 다음 중 적어도 하나를 포함한다: 차량 내의 컴포넌트(component)의 상태 데이터(status data), 차량 내의 컴포넌트의 운행 데이터(running data), 또는 차량 내의 컴포넌트에 의해 수집된 센서 데이터(sensor data).
전술한 프로세스에서, 제1 주행 데이터는 컴포넌트의 상태 데이터, 운행 데이터, 또는 센서 데이터 중 하나 이상을 포함한다. 데이터는 차량의 운행 과정에서 생성되며, 차량의 주행 상태를 정확하게 반영할 수 있다. 따라서, 제1 시간 기간에서 차량이 이상한지가 제1 주행 데이터에 기반하여 정확하게 판정될 수 있다.
가능한 구현에서, 제1 이력 주행 특징은 복수의 타입의 이력 주행 데이터에 대응하는 복수의 이력 데이터 곡선을 포함하고, 이력 데이터 곡선은 이력 주행 데이터의 분포 규칙(distribution rule)을 지시하는(indicate) 데에 사용되고, 이력 주행 데이터는 다음 중 적어도 하나를 포함한다: 차량 내의 컴포넌트의 이력 상태 데이터(historical status data); 그리고 차량 내의 컴포넌트의 이력 운행 데이터(historical running data); 또는 차량 내의 컴포넌트에 의해 수집된 이력 센서 데이터(historical sensor data).
전술한 프로세스에서, 이력 주행 데이터는 컴포넌트의 이력 상태 데이터, 이력 운행 데이터, 또는 이력 센서 데이터 중 하나 이상을 포함한다. 데이터는 차량의 이력 운행 과정에서 생성되며, 차량의 이력 주행 상태(historical driving status)를 정확하게 반영할 수 있다. 차량의 이력 주행 상태는 사용자의 주행 습관을 반영한다. 따라서, 제1 시간 기간에서 차량이 이상한지가 제1 이력 주행 특징에 기반하여 정확하게 판정될 수 있다.
가능한 구현에서, 제1 이력 주행 특징은 다음의 방식으로 획득될 수 있다: 제1 이력 주행 특징을 획득하기 위해 제1 모델을 사용함으로써 이력 주행 데이터를 처리하는 것. 제1 모델은 제1 샘플의 복수의 그룹을 학습함(learning)으로써 획득되고, 제1 샘플의 복수의 그룹 각각은 샘플 주행 데이터(sample driving data) 및 샘플 이력 주행 특징(sample historical driving feature)을 포함한다.
전술한 프로세스에서, 제1 모델이 주행 데이터의 주행 특징을 획득하는 기능을 갖도록, 제1 샘플의 복수의 그룹이 학습된다. 따라서, 제1 이력 주행 특징은 제1 모델을 사용함으로써 이력 샘플 데이터를 처리함으로써 정확하게 획득될 수 있다.
가능한 구현에서, 제1 시간 기간에서 차량이 이상함은 다음의 방식으로 제1 데이터 및 제1 이력 주행 특징에 기반하여 판정될 수 있다: 제1 데이터 및 제1 이력 주행 특징 간의 유사도(similarity)를 판정하는 것; 및 유사도에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하는 것.
전술한 프로세스에서, 제1 데이터 및 제1 이력 주행 특징 간의 유사도는 제1 시간 기간에서의 차량의 운행 상태 및 사용자의 주행 습관 간의 유사도를 반영한다. 사용자의 주행 습관은 통상적으로 고정되므로, 제1 시간 기간에서 차량이 이상한지가 유사도에 기반하여 정확하게 판정될 수 있다.
가능한 구현에서, 제1 데이터 및 제1 이력 주행 특징 간의 유사도는 다음의 방식으로 판정될 수 있다: 유사도를 획득하기 위해 제2 모델을 사용함으로써 제1 데이터 및 제1 이력 주행 특징을 처리하는 것. 제2 모델은 제2 샘플의 복수의 그룹을 학습함으로써 획득되고, 제2 샘플의 복수의 그룹 각각은 샘플 데이터(sample data), 샘플 주행 특징(sample driving feature) 및 샘플 유사도(sample similarity)를 포함하고, 샘플 데이터는 샘플 주행 데이터를 포함한다.
전술한 프로세스에서, 제2 모델이 데이터 및 주행 특징 간의 유사도를 판정하는 기능을 갖도록, 제2 샘플의 복수의 그룹이 학습된다. 따라서, 제1 데이터 및 제1 이력 주행 특징 간의 유사도는 제2 모델을 사용함으로써 제1 데이터 및 제1 이력 주행 특징을 처리함으로써 정확하게 판정될 수 있다.
가능한 구현에서, 유사도를 획득하기 위해 제2 모델을 사용함으로써 제1 데이터 및 제1 이력 주행 특징을 처리하는 것은 다음을 포함한다: 제2 모델을 사용함으로써, 제1 데이터에 대응하는 제1 데이터 곡선을 판정하는 것; 및 유사도를 획득하기 위해 제2 모델을 사용함으로써 제1 데이터 곡선(data curve)을 제1 이력 주행 특징 내의 이력 데이터 곡선(historical data curve)과 비교하는 것.
전술한 프로세스에서, 제1 데이터 곡선은 제1 데이터를 정확하게 반영할 수 있다. 따라서, 유사도는 제1 데이터 곡선을 이력 데이터 곡선과 비교함으로써 정확하게 획득될 수 있다.
가능한 구현에서, 제1 데이터는 시나리오 데이터(scenario data)를 더 포함하고, 시나리오 데이터는 다음 정보 중 적어도 하나를 포함한다: 시간 정보(time information), 위치 정보(location information), 도로 여건 정보(road condition information), 또는 날씨 정보(weather information).
전술한 프로세스에서, 상이한 시나리오(예를 들어, 상이한 날씨 또는 상이한 도로 여건 하)에서의 사용자의 주행 습관은 상이할 수 있다. 따라서, 제1 데이터가 시나리오 데이터를 더 포함하는 경우에, 제1 시간 기간에서 사용자가 주행하고 있는 시나리오가 시나리오 데이터에 기반하여 판정될 수 있다. 이 방식으로, 제1 시간 기간에서 차량이 이상한지가 제1 주행 데이터에 기반하여 더 정확하게 판정될 수 있다.
가능한 구현에서, 제1 이력 주행 특징은 다음의 방식으로 획득될 수 있다: 시나리오 데이터에 기반하여 복수의 이력 주행 특징으로부터 제1 이력 주행 특징을 판정하는 것.
전술한 프로세스에서, 제1 데이터에 대응하는 시나리오가 제1 이력 주행 특징에 대응하는 시나리오와 동일하고, 제1 시간 기간에서 차량이 이상한지를 판정하는 것의 정확도가 높도록, 획득된 제1 이력 주행 특징은 시나리오 데이터에 관련된다.
가능한 구현에서, 차량의 주행 기록 비디오는 다음의 방식으로 제1 시간 기간에 기반하여 주석될 수 있다: 이상 정보(abnormality information)를 생성하는 것; 및 제1 시간 기간에 기반하여 주행 기록 비디오 내에 이상 정보를 주석하는 것.
가능한 구현에서, 이상 정보는 다음의 정보 중 적어도 하나를 포함한다: 이상 레벨(abnormality level), 이상 타입(abnormality type), 또는 이상 서술 정보(abnormality description information).
전술한 프로세스에서, 사용자가 주행 기록 비디오의 주석 결과에 기반하여 비디오 클립을 정확하게 또 신속하게 탐색할 수 있도록, 이상 정보는 주행 기록 비디오 내에 주석된다. 이것은 비디오 클립 탐색 효율을 개선한다.
제2 측면에 따르면, 이 출원의 실시예는 획득 모듈(obtaining module), 판정 모듈(determining module) 및 주석 모듈(annotation module)을 포함하는 데이터 처리 장치를 제공한다.
획득 모듈은 제1 데이터 및 제1 이력 주행 특징을 획득하도록 구성되고, 제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함하고, 제1 이력 주행 특징은 차량의 이력 주행 데이터에 기반하여 판정된다.
판정 모듈은, 제1 데이터 및 제1 이력 주행 특징에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하도록 구성된다.
주석 모듈은 제1 시간 기간에 기반하여 차량의 주행 기록 비디오를 주석하도록 구성된다.
가능한 구현에서, 제1 주행 데이터는 다음 중 적어도 하나를 포함한다:
차량 내의 컴포넌트의 상태 데이터;
차량 내의 컴포넌트의 운행 데이터; 또는
차량 내의 컴포넌트에 의해 수집된 센서 데이터.
가능한 구현에서, 제1 이력 주행 특징은 복수의 타입의 이력 주행 데이터에 대응하는 복수의 이력 데이터 곡선을 포함하고, 이력 데이터 곡선은 이력 주행 데이터의 분포 규칙을 지시하는 데에 사용되고, 이력 주행 데이터는 다음 중 적어도 하나를 포함한다:
차량 내의 컴포넌트의 이력 상태 데이터;
차량 내의 컴포넌트의 이력 운행 데이터; 또는
차량 내의 컴포넌트에 의해 수집된 이력 센서 데이터.
가능한 설계에서, 획득 모듈은 구체적으로,
제1 이력 주행 특징을 획득하기 위해, 제1 모델을 사용함으로써 이력 주행 데이터를 처리하도록 구성된다.
제1 모델은 제1 샘플의 복수의 그룹을 학습함으로써 획득되고, 제1 샘플의 복수의 그룹 각각은 샘플 주행 데이터 및 샘플 이력 주행 특징을 포함한다.
가능한 구현에서, 판정 모듈은 구체적으로,
제1 데이터 및 제1 이력 주행 특징 간의 유사도를 판정하고,
유사도에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하도록 구성된다.
가능한 설계에서, 판정 모듈은 구체적으로,
유사도를 획득하기 위해, 제2 모델을 사용함으로써 제1 데이터 및 제1 이력 주행 특징을 처리하도록 구성된다.
제2 모델은 제2 샘플의 복수의 그룹을 학습함으로써 획득되고, 제2 샘플의 복수의 그룹 각각은 샘플 데이터, 샘플 주행 특징 및 샘플 유사도를 포함하고, 샘플 데이터는 샘플 주행 데이터를 포함한다.
가능한 구현에서, 판정 모듈은 구체적으로,
제2 모델을 사용함으로써, 제1 데이터에 대응하는 제1 데이터 곡선을 판정하고,
유사도를 획득하기 위해 제2 모델을 사용함으로써 제1 데이터 곡선을 제1 이력 주행 특징 내의 이력 데이터 곡선과 비교하도록 구성된다.
가능한 구현에서, 제1 데이터는 시나리오 데이터를 더 포함하고, 시나리오 데이터는 다음 정보 중 적어도 하나를 포함한다:
시간 정보, 위치 정보, 도로 여건 정보, 또는 날씨 정보.
가능한 구현에서, 판정 모듈은 구체적으로,
시나리오 데이터에 기반하여 복수의 이력 주행 특징으로부터 제1 이력 주행 특징을 판정하도록 구성된다.
가능한 구현에서, 주석 모듈은 구체적으로,
이상 정보를 생성하고,
제1 시간 기간에 기반하여 주행 기록 비디오 내에 이상 정보를 주석하도록 구성된다.
가능한 구현에서, 이상 정보는 다음 정보 중 적어도 하나를 포함한다:
이상 레벨, 이상 타입, 또는 이상 서술 정보.
제3 측면에 따르면, 이 출원의 실시예는 데이터 처리 장치를 제공한다. 데이터 처리 장치는 메모리(memory) 및 프로세서(processor)를 포함한다. 메모리는 컴퓨터 프로그램 명령어를 저장하고, 프로세서는 제1 측면의 임의의 구현에 따른 동작을 수행하기 위해 컴퓨터 프로그램 명령어를 가동한다(run).
제4측면에 따르면, 이 출원의 실시예는 컴퓨터 명령어를 포함하는 컴퓨터 저장 매체를 제공한다. 컴퓨터 명령어가 프로세서에 의해 가동되는 경우에, 제1 측면의 임의의 구현에 따른 방법이 구현된다.
제5 측면에 따르면, 이 출원의 실시예는 컴퓨터 프로그램 제품을 제공한다. 컴퓨터 프로그램 제품이 프로세서 상에서 가동되는 경우에, 제1 측면의 임의의 구현에 따른 방법이 구현된다.
이 출원의 실시예에서 제공되는 데이터 처리 방법 및 장치, 그리고 디바이스에 기반하여, 제1 시간 기간에서의 차량의 제1 데이터 및 제1 이력 주행 특징이 획득될 수 있고, 제1 시간 기간에서 차량이 이상함이 제1 데이터 및 제1 이력 주행 특징에 기반하여 판정되고, 차량의 주행 기록 비디오가 제1 시간 기간에 기반하여 주석된다. 제1 데이터는 제1 시간 기간에서의 차량의 주행 상태를 반영할 수 있고, 제1 이력 주행 특징은 차량의 운전자의 주행 습관을 반영할 수 있다. 사용자의 주행 습관은 통상적으로 고정되므로, 제1 시간 기간에서 차량이 이상한지가 제1 주행 데이터 및 제1 이력 주행 특징에 기반하여 판정될 수 있다. 제1 시간 기간에서 차량이 이상함이 판정된 경우에, 이미지 촬영 디바이스에 의해 촬영된 주행 기록 비디오는 제1 시간 기간에서 차량이 이상함을 기록하기 위해 주석될 수 있다. 이 방식으로, 주행 기록 비디오는 정확하게 주석될 수 있다. 비디오 클립 탐색 효율을 개선하기 위해, 사용자는 주행 기록 비디오의 주석 결과에 기반하여 비디오 클립을 정확하게, 그리고 신속하게 탐색할 수 있다.
도 1은 이 출원의 실시예에 따른 적용 시나리오의 개략도이고,
도 2a는 이 출원의 실시예에 따른 비디오 획득 방식의 개략도이고,
도 2b는 이 출원의 실시예에 따른 다른 비디오 획득 방식의 개략도이고,
도 2c는 이 출원의 실시예에 따른 또 다른 비디오 획득 방식의 개략도이고,
도 3은 이 출원의 실시예에 따른 데이터 처리 방법의 개략적인 흐름도이고,
도 4는 이 출원의 실시예에 따른 주행 데이터 및 주행 특징의 개략도이고,
도 5a는 이 출원의 실시예에 따라 이력 주행 데이터를 획득하는 방식의 개략도이고,
도 5b는 이 출원의 실시예에 따라 이력 주행 데이터를 획득하는 다른 방식의 개략도이고,
도 6은 이 출원의 실시예에 따른 이력 주행 특징의 개략도이고,
도 7a는 이 출원의 실시예에 따라 유사도를 판정하는 것의 개략도이고,
도 7b는 이 출원의 실시예에 따라 유사도를 판정하는 것의 개략도이고,
도 8a 내지 도 8c는 이 출원의 실시예에 따른 비디오 열람(viewing) 방식의 개략도이고,
도 9는 이 출원의 실시예에 따른 비디오 주석 방식의 개략도이고,
도 10a 내지 도 10f는 이 출원의 실시예에 따른 비디오 열람 방식의 개략도이고,
도 11은 이 출원의 실시예에 따른 다른 데이터 처리 방법의 개략적인 흐름도이고,
도 12a는 이 출원의 실시예에 따른 주행 기록기의 구조의 개략도이고,
도 12b는 이 출원의 실시예에 따른 다른 주행 기록기의 구조의 개략도이고,
도 13a는 이 출원의 실시예에 따른 디바이스 연결의 개략도이고,
도 13b는 이 출원의 실시예에 따른 다른 디바이스 연결의 개략도이고,
도 13c는 이 출원의 실시예에 따른 또 다른 디바이스 연결의 개략도이고,
도 14a는 이 출원의 실시예에 따른 차량의 구조의 개략도이고,
도 14b는 이 출원의 실시예에 따른 차량의 다른 구조의 개략도이고,
도 15는 이 출원의 실시예에 따른 데이터 처리 장치의 구조의 개략도이고,
도 16은 이 출원의 실시예에 따른 데이터 처리 장치의 하드웨어 구조의 개략도이다.
도 2a는 이 출원의 실시예에 따른 비디오 획득 방식의 개략도이고,
도 2b는 이 출원의 실시예에 따른 다른 비디오 획득 방식의 개략도이고,
도 2c는 이 출원의 실시예에 따른 또 다른 비디오 획득 방식의 개략도이고,
도 3은 이 출원의 실시예에 따른 데이터 처리 방법의 개략적인 흐름도이고,
도 4는 이 출원의 실시예에 따른 주행 데이터 및 주행 특징의 개략도이고,
도 5a는 이 출원의 실시예에 따라 이력 주행 데이터를 획득하는 방식의 개략도이고,
도 5b는 이 출원의 실시예에 따라 이력 주행 데이터를 획득하는 다른 방식의 개략도이고,
도 6은 이 출원의 실시예에 따른 이력 주행 특징의 개략도이고,
도 7a는 이 출원의 실시예에 따라 유사도를 판정하는 것의 개략도이고,
도 7b는 이 출원의 실시예에 따라 유사도를 판정하는 것의 개략도이고,
도 8a 내지 도 8c는 이 출원의 실시예에 따른 비디오 열람(viewing) 방식의 개략도이고,
도 9는 이 출원의 실시예에 따른 비디오 주석 방식의 개략도이고,
도 10a 내지 도 10f는 이 출원의 실시예에 따른 비디오 열람 방식의 개략도이고,
도 11은 이 출원의 실시예에 따른 다른 데이터 처리 방법의 개략적인 흐름도이고,
도 12a는 이 출원의 실시예에 따른 주행 기록기의 구조의 개략도이고,
도 12b는 이 출원의 실시예에 따른 다른 주행 기록기의 구조의 개략도이고,
도 13a는 이 출원의 실시예에 따른 디바이스 연결의 개략도이고,
도 13b는 이 출원의 실시예에 따른 다른 디바이스 연결의 개략도이고,
도 13c는 이 출원의 실시예에 따른 또 다른 디바이스 연결의 개략도이고,
도 14a는 이 출원의 실시예에 따른 차량의 구조의 개략도이고,
도 14b는 이 출원의 실시예에 따른 차량의 다른 구조의 개략도이고,
도 15는 이 출원의 실시예에 따른 데이터 처리 장치의 구조의 개략도이고,
도 16은 이 출원의 실시예에 따른 데이터 처리 장치의 하드웨어 구조의 개략도이다.
이해의 용이함을 위해, 이 출원에서의 개념이 우선 기술된다.
차량: 이 출원에서의 차량은 자가용 차(private car), 버스(bus), 화물차(cargo van), 여객 차량(passenger vehicle), 오토바이(motorcycle) 등을 포함할 수 있다.
차량 내의 컴포넌트: 차량 내의 컴포넌트는 차량 내의 부품 또는 센서일 수 있고, 부품은 차량의 운행을 유지하는 컴포넌트일 수 있다. 예를 들어, 부품은 엔진(engine), 발전기(generator), 완충기(shock absorber), 차량 조명(vehicle light), 또는 유사한 것을 포함할 수 있다. 센서는 온도 센서(temperature sensor), 속력 센서(speed sensor), 가속도 센서(acceleration sensor), 또는 유사한 것을 포함할 수 있다.
주행 데이터: 차량의 주행 과정에서 생성된 데이터. 주행 데이터는 다음 중 적어도 하나를 포함할 수 있다: 컴포넌트의 상태 데이터, 컴포넌트의 운행 데이터, 또는 컴포넌트에 의해 수집된 센서 데이터.
상태 데이터는 컴포넌트의 상태를 지시하는 데에 사용된다. 예를 들어, 차량 조명의 상태 데이터는 차량 조명의 상태가 온(on) 또는 오프(off)임을 지시하는 데에 사용되고, 엔진의 상태 데이터는 엔진의 상태가 시동됨(started) 또는 휴지됨(paused)을 지시하는 데에 사용되고, 전자기 밸브(electromagnetic valve)의 상태 데이터는 전자기 밸브의 상태가 온 또는 오프임을 지시하는 데에 사용된다.
운행 데이터는 컴포넌트의 운행 과정에서 생성된 데이터를 지시하는 데에 사용된다. 예를 들어, 엔진의 운행 데이터는 엔진의 회전 속력을 포함할 수 있고, 전자 기어 변속기(electronic gear shifter)의 운행 데이터는 전자 기어 변속기의 기어를 포함할 수 있고, 배터리(battery)의 운행 데이터는 배터리의 잔여 전력량(remaining electricity)을 포함할 수 있다.
센서 데이터는 센서에 의해 수집된 데이터를 지칭한다. 예를 들어, 센서 데이터는, 온도 센서에 의해 수집된 온도, 속력 센서에 의해 수집된 속력 및 공연비 센서(air-fuel ratio sensor)에 의해 수집된 공연비를 포함할 수 있다.
상이한 컴포넌트는 상이한 데이터를 생성할 수 있고, 컴포넌트는 상태 데이터, 운행 데이터 및 센서 데이터 중 하나 이상을 생성할 수 있다. 예를 들어, 몇몇 컴포넌트는 상태 데이터를 생성할 수 있고, 몇몇 컴포넌트는 상태 데이터 및 운행 데이터를 생성할 수 있고, 몇몇 컴포넌트는 센서 데이터를 생성할 수 있다. 예를 들어, 헤드라이너 스위치(headliner switch)는 상태 데이터를 생성할 수 있고, 엔진은 상태 데이터 및 운행 데이터를 생성할 수 있고, 온도 센서는 센서 데이터를 생성할 수 있다.
주행 기록 비디오: 주행 과정 동안 차량을 촬영함으로써 획득되는 비디오. 비디오는 차체(vehicle body)의 주위를 촬영함으로써 획득된 비디오 및 차량의 내부를 촬영함으로써 획득된 비디오를 포함할 수 있다. 비디오는 이미지 촬영 디바이스에 의해 촬영된다. 이미지 촬영 디바이스는 차량 내에 구축된 장치일 수 있거나 차량 상에 설치된 장치일 수 있다.
이해의 용이함을 위해, 다음은, 도 1을 참조하여, 이 출원이 적용가능한 적용 시나리오를 기술한다.
도 1은 이 출원의 실시예에 따른 적용 시나리오의 개략도이다. 도 1에 도시된 바와 같이, 차량은 엔진 전자 시스템(engine electronic system), 섀시 전자 시스템(chassis electronic system), 차체 전자기기(vehicle body electronics), 안전 편의 시스템(safety and comfort system), 오락 통신 시스템(entertainment and communications system) 및 이미지 촬영 디바이스를 포함한다.
엔진 전자 시스템은, 엔진 관리 전자 제어 유닛(electronic control unit, ECU), 배터리, 발전기, 시동기(starter), 온도 센서, 노크 센서(knock sensor), 공연비 센서, 산소 센서(oxygen sensor), 엔진 하니스(engine harness), 냉각 시스템(cooling system), 점화 시스템(ignition system), 흡배기 시스템(intake and exhaust system), 트랜스미션 시스템(transmission system), 전동 연료 펌프(electric feed pump) 등을 포함할 수 있다.
섀시 전자 시스템은 조향 시스템(steering system), 서스펜션 시스템(suspension system), 제동 시스템(braking system) 등을 포함할 수 있다.
차체 전자기기는 업무 연속성 관리(business continuity management, BCM) 시스템, 릴레이(relay)/퓨즈(fuse), 플로어 하니스(floor harness), 도어 하니스(door harness), 헤드라이너 하니스(headliner harness), 대시보드 하니스(dashboard harness), 범용 직렬 버스(universal serial bus, USB)/고선명 멀티미디어 인터페이스(high-definition multimedia interface, HDMI) 케이블, 전동 백미러(electric rearview mirror), 창문 리프팅 모터(window lifting motor), 전동 뒷문 스트럿(electric tailgate strut), 도어 및 창문 스위치(door and window switch), 와이퍼 모터(wiper motor), 선루프 모터(sunroof motor), 온보드 진단기기(on-board diagnostics, OBD), 조명 시스템(lighting system), 스위치 등을 포함할 수 있다.
안전 편의 시스템은 안전 시스템(safety system), 좌석 조정 모터(seat adjustment motor), 능동 소음 제거 유닛(active noise cancellation unit), 경적(horn), 공조 시스템(air conditioning system) 등을 포함할 수 있다.
오락 통신 시스템은 인간-머신 상호작용(human-machine interaction, HMI) 시스템, 통신 시스템 등을 포함할 수 있다.
이미지 촬영 디바이스는 차량 외부에, 그리고/또는 차량 내부에 배치될 수 있고, 하나 이상의 이미지 촬영 디바이스가 있을 수 있다. 예를 들어, 이미지 촬영 디바이스는 차량의 포인트(point) A, 포인트 B, 포인트 C, 또는 포인트 D에 배치될 수 있다. 이미지 촬영 디바이스는 비디오를 촬영할 수 있다. 예를 들어, 이미지 촬영 디바이스는 차량의 운행(또는 시동) 과정 동안 비디오를 촬영할 수 있다. 선택적으로, 저장 공간이 차량 내에 설정될 수 있고, 이미지 촬영 디바이스에 의해 촬영된 비디오가 저장 공간 내에 저장될 수 있다. 선택적으로, 무선 통신 모듈이 차량 내에 배치될 수 있고, 무선 통신 모듈은 이미지 촬영 디바이스에 의해 촬영된 비디오를 클라우드 서버(cloud server)에 발신하거나 이미지 촬영 디바이스에 의해 촬영된 비디오를 사용자의 단말 디바이스(terminal device)(예를 들어, 모바일 전화 또는 컴퓨터와 같은 디바이스)에 발신할 수 있다.
전술한 것은 차량에 포함된 컴포넌트의 예를 보여줄 뿐이며, 차량 내의 컴포넌트에 대한 한정을 구성하지 않음에 유의하여야 한다.
차량의 주행(또는 동작) 과정 동안, 차량의 주행 데이터가 획득될 수 있다. 차량의 이력 주행 특징이 차량의 이력 주행 데이터에 기반하여 판정될 수 있고, 차량의 이력 주행 특징은 차량의 운전자의 주행 습관을 나타낼 수 있다. 제1 시간 기간(예를 들어, 현재의 순간 전의 시간 기간)에서의 차량의 제1 주행 데이터는 제1 시간 기간에서의 차량의 주행 상태를 지시할 수 있다. 사용자의 주행 습관은 통상적으로 고정되므로, 제1 시간 기간에서 차량이 이상한지는 제1 주행 데이터 및 차량의 이력 주행 특징을 비교함으로써 판정될 수 있다. 제1 시간 기간에서 차량이 이상함이 판정된 경우에, 이미지 촬영 디바이스에 의해 촬영된 주행 기록 비디오는, 제1 시간 기간에서 차량이 이상함을 기록하기 위해, 주석될 수 있다. 선택적으로, 차량이 이상한 경우는, 차량 고장(vehicle fault), 차 사고(car accident), 또는 사용자의 이상 주행(abnormal driving)을 포함할 수 있다. 사용자의 이상 주행은, 사용자가 극도로 빨리 주행하는 것, 사용자가 극도로 느리게 주행하는 것, 사용자가 차량을 영역에서 배회하도록 주행하는 것 등을 포함할 수 있다.
사용자는 단말 디바이스를 사용함으로써 주행 기록 비디오(이미지 촬영 디바이스에 의해 촬영된 비디오, 또는 이미지 촬영 디바이스에 의해 촬영된 비디오가 주석된 후에 획득된 비디오)를 열람할(view) 수 있다. 선택적으로, 단말 디바이스는 복수의 방식으로 주행 기록 비디오를 획득할 수 있다. 다음은 도 2a 내지 도 2c를 참조하여 단말 디바이스에 의해 주행 기록 비디오를 획득하는 몇 개의 방식을 기술한다.
도 2a는 이 출원의 실시예에 따른 비디오 획득 방식의 개략도이다. 도 2a에 도시된 바와 같이, 차량 A, 탈거가능 하드 디스크(removable hard disk) B 및 단말 디바이스 C가 있다.
주행 기록 비디오는 차량 A 내의 사전설정된 저장 공간 내에 저장될 수 있다. 이 경우에, 사용자가 단말 디바이스 C를 사용함으로써 주행 기록 비디오를 열람할 필요가 있을 때, 사용자는 저장 공간 내의 주행 기록 비디오를 탈거가능 하드 디스크 B에 복사하고, 이후에 주행 기록 비디오를 단말 디바이스 C에 복사할 수 있다.
주행 기록 비디오는 탈거가능 하드 디스크 B 내에 저장될 수 있다. 예를 들어, 탈거가능 하드 디스크 B는 차량 내에 삽입되고, 이미지 촬영 디바이스에 의해 촬영된 비디오가 탈거가능 하드 디스크 B 내에 저장된다. 이 경우에, 사용자가 단말 디바이스 C를 사용함으로써 주행 기록 비디오를 열람할 필요가 있을 때, 사용자는 차량으로부터 탈거가능 하드 디스크 B를 탈거하고, 이후에 탈거가능 하드 디스크 B 내의 주행 기록 비디오를 단말 디바이스 C에 복사할 수 있다.
도 2b는 이 출원의 실시예에 따른 다른 비디오 획득 방식의 개략도이다. 도 2b에 도시된 바와 같이, 차량 A 및 단말 디바이스 B가 있다. 주행 기록 비디오는 차량 A 내의 사전설정된 저장 공간 내에 저장될 수 있다. 통신 모듈이 차량 A 내에 배치되고, 차량 A는 통신 모듈을 사용함으로써 단말 디바이스 B와 통신할 수 있다. 예를 들어, 차량 A는 블루투스(Bluetooth) 또는 와이파이(Wi-Fi)를 통해 단말 디바이스 B와 통신할 수 있다. 애플리케이션이 단말 디바이스 B 내에 설치될 수 있고, 사용자는, 애플리케이션을 사용함으로써, 단말 디바이스 B로의 차량 A의 사전설정된 저장 공간 내의 비디오의 송신을 제어할 수 있다. 예를 들어, 차량이 특정 시간 기간의 주행 기록 비디오를 단말 디바이스에 송신하도록, 사용자는 애플리케이션을 사용함으로써 특정 시간 기간의 주행 기록 비디오를 선택할 수 있다.
도 2c는 이 출원의 실시예에 따른 또 다른 비디오 획득 방식의 개략도이다. 도 2c에 도시된 바와 같이, 차량 A, 단말 디바이스 B 및 클라우드 서버 C가 있다. 통신 모듈이 차량 A 내에 배치된다. 차량 A는 통신 모듈을 사용함으로써 클라우드 서버 C에 주행 기록 비디오를 업로드할 수 있고, 클라우드 서버 C는 주행 기록 비디오를 저장한다. 애플리케이션이 단말 디바이스 B 내에 설치될 수 있고, 사용자는, 애플리케이션을 사용함으로써, 클라우드 서버 C로부터 주행 기록 비디오를 다운로드하도록 단말 디바이스 B를 제어할 수 있다. 예를 들어, 단말 디바이스 B가 클라우드 서버 C로부터 특정 시간 기간의 주행 기록 비디오를 다운로드하기를 요청하도록, 사용자는 애플리케이션을 사용함으로써 특정 시간 기간의 주행 기록 비디오를 선택할 수 있다.
도 2a 내지 도 2c는 단말 디바이스가 주행 기록 비디오를 획득하는 방식의 예를 보여줄 뿐이며, 방식에 대한 한정을 구성하지 않음에 유의하여야 한다.
다음은 특정 실시예를 사용함으로써 이 출원의 기술적 해결안을 상세히 기술한다. 다음의 특정 실시예는 독립적으로 존재할 수 있거나, 서로 조합될 수 있고, 동일하거나 유사한 내용은 상이한 실시예에서 반복적으로 기술되지 않음에 유의하여야 한다.
도 3은 이 출원의 실시예에 따른 데이터 처리 방법의 개략적인 흐름도이다. 도 3을 참조하시오. 방법은 다음의 단계를 포함할 수 있다.
S301: 제1 모델을 획득한다.
이 출원의 이 실시예를 위한 실행 주체는 차량, 주행 기록기, 또는 차량 또는 주행 기록기 내에 배치된 데이터 처리 장치일 수 있다. 데이터 처리 장치는 소프트웨어를 사용함으로써 구현될 수 있거나, 소프트웨어 및 하드웨어의 조합을 사용함으로써 구현될 수 있다. 예를 들어, 데이터 처리 장치는 처리 칩(processing chip)일 수 있다.
설명의 용이함을 위해, 다음은 설명을 위해 실행 주체가 주행 기록기인 예를 사용한다.
제1 모델은 대응하는 주행 특징을 획득하기 위해 주행 데이터를 처리하는 데에 사용된다. 주행 특징은 곡선을 사용함으로써 나타내어질 수 있다. 예를 들어, 주행 특징은 주행 데이터의 분포 규칙을 나타낼 수 있다.
도 4를 참조하여, 다음은 주행 데이터가 가속도인 예를 사용함으로써 주행 데이터 및 주행 특징을 기술한다.
도 4는 이 출원의 실시예에 따른 주행 데이터 및 주행 특징의 개략도이다. 도 4에 도시된 바와 같이, 좌표계의 수평 축은 도로 여건 색인(road condition index)을 나타내고, 도로 여건 색인은 도로의 혼잡도 및 날씨와 같은 파라미터에 기반하여 판정될 수 있다. 좌표계의 수직 축은 정규화된 가속도를 나타낸다. 좌표계 내의 포인트는 이산(discrete) 가속도(주행 데이터)를 나타내고, 가속도는 사전설정된 시간 기간 내에서 수집된, 상이한 도로 여건에서의 가속도일 수 있다. 좌표계 내의 곡선은 주행 특징을 나타내고(이는 또한 가속도 특징으로 지칭될 수 있음), 주행 특징은 가속도의 분포 규칙을 지시할 수 있다.
선택적으로, 제1 모델은 다음의 방식으로 획득될 수 있다.
제1 방식: 주행 기록기가 아닌 디바이스가 제1 모델을 생성하고, 주행 기록기는 디바이스로부터 제1 모델을 획득한다.
선택적으로, 디바이스는 서버, 단말 디바이스, 또는 유사한 것일 수 있다.
디바이스는 다음의 방식으로 제1 모델을 생성할 수 있다: 제1 샘플의 복수의 그룹을 획득하는 것과, 제1 모델을 획득하기 위해 제1 샘플의 복수의 그룹을 학습하는 것. 제1 샘플의 각각의 그룹은 샘플 주행 데이터 및 샘플 주행 특징을 포함한다.
선택적으로, 제1 샘플의 하나의 그룹 내의 샘플 주행 데이터는 하나의 타입의 주행 데이터일 수 있다. 주행 데이터의 타입은 속력, 가속도, 엔진 회전 속력, 엔진 온도, 또는 유사한 것일 수 있다. 예를 들어, 제1 샘플의 하나의 그룹 내의 샘플 주행 데이터는 사전설정된 시간 기간 내의 속력일 수 있다. 샘플 데이터의 하나의 그룹에서, 샘플 주행 특징은 샘플 주행 데이터에 대응하고, 샘플 주행 특징은 샘플 주행 데이터의 특징을 반영하는 데에 사용된다. 선택적으로, 샘플 주행 특징은 샘플 곡선에 의해 나타내어질 수 있고, 샘플 곡선은 샘플 주행 데이터의 분포 규칙을 지시하는 데에 사용된다. 샘플 주행 특징은 수동으로(manually) 샘플 주행 데이터를 주석함으로써 획득될 수 있다.
제1 모델을 학습하기 위한 알고리즘은, 로지스틱 회귀(logistic regression) 알고리즘, 결정 트리(decision tree) 알고리즘, 벡터 머신(vector machine) 알고리즘, 단순 베이스(naive Bayes) 알고리즘 등을 포함할 수 있다.
제1 샘플의 복수의 그룹을 학습함으로써 제1 모델이 획득된 후에, 제1 모델은 다음의 기능을 갖는다: 제1 모델에 주행 데이터가 입력된 후에, 제1 모델은, 주행 데이터에 대응하는 주행 특징을 출력하기 위해, 주행 데이터를 처리할 수 있다.
주행 기록기가 아닌 디바이스가 학습을 통해서 제1 모델을 획득한 후에, 주행 기록기는 디바이스로부터 제1 모델을 획득할 수 있다. 제1 모델은 오프라인 모델(offline model)일 수 있다.
제2 방식: 주행 기록기가 제1 모델을 생성한다.
주행 기록기가 제1 모델을 생성하는 프로세스에 대해, 제1 방식을 참조함에 유의하여야 한다. 세부사항은 여기에서 다시 기술되지 않는다.
S302: 차량의 이력 주행 데이터를 획득한다.
이력 주행 데이터는 차량의 이력 주행 과정에서 생성된 데이터일 수 있다. 이력 주행 과정은 이력 시간 기간(historical time period)에서의 차량의 주행 과정일 수 있다. 이력 시간 기간은 현재의 순간 전 일주일, 한 달, 반년, 일 년, 또는 유사한 것일 수 있다. 이력 시간 기간은 실제의 상황에 기반하여 설정될 수 있다.
선택적으로, 이력 주행 데이터는 다음 중 적어도 하나를 포함한다: 차량 내의 컴포넌트의 이력 상태 데이터, 차량 내의 컴포넌트의 이력 운행 데이터, 또는 차량 내의 컴포넌트에 의해 수집된 이력 센서 데이터.
이력 주행 데이터의 설명에 대해, 주행 데이터의 전술한 설명을 참조함에 유의하여야 한다. 세부사항은 여기에서 다시 기술되지 않는다.
선택적으로, 차량이 시동된 후에, 차량 내의 대부분의 컴포넌트가 작동하기 시작하고, 주행 데이터를 생성한다. 주행 기록기는 차량에 의해 생성된 이력 주행 데이터를 획득할 수 있다. 이해의 용이함을 위해, 다음은, 도 5a 및 도 5b를 참조하여, 주행 기록기가 이력 주행 데이터를 획득하는 방식을 기술한다.
도 5a는 이 출원의 실시예에 따라 이력 주행 데이터를 획득하는 방식의 개략도이다. 도 5a에 도시된 바와 같이, 차량은 복수의 컴포넌트 및 차체 상태 시스템을 포함하고, 복수의 컴포넌트는 복수의 부품 및 복수의 센서를 포함한다. 차량이 시동된 후에, 대부분의 컴포넌트가 작동하기 시작할 수 있다. 작동하기 시작한 컴포넌트는 주행 데이터를 생성할 수 있고, 차체 상태 시스템은 컴포넌트에 의해 생성된 주행 데이터를 획득하고 저장할 수 있다. 주행 기록기 및 차체 상태 시스템은 서로 통신할 수 있다. 예를 들어, 주행 기록기가 차체 상태 시스템으로부터 이력 주행 데이터를 획득할 수 있도록, 주행 기록기 및 차체 상태 시스템은 유선 방식으로 또는 무선 방식으로 연결될 수 있다.
도 5b는 이 출원의 실시예에 따라 이력 주행 데이터를 획득하는 다른 방식의 개략도이다. 도 5b에 도시된 바와 같이, 차량은 복수의 컴포넌트 및 차체 상태 시스템을 포함하고, 복수의 컴포넌트는 복수의 부품 및 복수의 센서를 포함한다. 차량이 시동된 후에, 대부분의 컴포넌트가 작동하기 시작할 수 있다. 작동하기 시작한 컴포넌트는 주행 데이터를 생성할 수 있다. 차체 상태 시스템은 컴포넌트에 의해 생성된 주행 데이터를 획득하고, 컴포넌트에 의해 생성된 주행 데이터를 클라우드 서버에 송신할 수 있다. 클라우드 서버는 주행 데이터를 저장한다. 주행 기록기가 이력 주행 데이터를 획득할 필요가 있을 때, 주행 기록기는 클라우드 서버에게 이력 주행 데이터를 획득하기를 요청할 수 있다.
도 5a 및 도 5b는 주행 기록기가 이력 주행 데이터를 획득하는 방식의 예를 보여줄 뿐이며, 방식에 대한 한정을 구성하지 않음에 유의하여야 한다.
S303: 제1 이력 주행 특징을 획득하기 위해, 제1 모델을 사용함으로써 이력 주행 데이터를 처리한다.
이력 주행 데이터는 복수의 타입의 이력 주행 데이터를 포함한다. 예를 들어, 이력 주행 데이터의 타입은 속력, 가속도, 엔진 회전 속력, 또는 엔진 온도를 포함한다.
제1 이력 주행 특징은 복수의 타입의 이력 주행 데이터에 대응하는 주행 특징을 포함한다. 예를 들어, 제1 이력 주행 특징은 이력 속력에 대응하는 주행 특징, 이력 가속도에 대응하는 주행 특징, 또는 이력 엔진 회전 속력에 대응하는 주행 특징을 포함한다. 이력 속력에 대응하는 주행 특징은 이력 속력의 분포 규칙을 지시하는 데에 사용되고, 이력 가속도에 대응하는 주행 특징은 이력 가속도의 분포 규칙을 지시하는 데에 사용된다.
하나의 차량에 대해, 차량은 통상적으로 하나 이상의 고정된 사용자에 의해 주행된다. 임의의 사용자에 대해, 사용자의 주행 습관은 통상적으로 고정되어서, 차량의 주행 데이터는 통상적으로 고정된 곡선으로서 분포된다. 예를 들어, 동일한 사용자 및 동일한 차량에 대해, 상이한 도로 여건에서 사용자가 차량을 주행하는 속력은 통상적으로 고정된 속력 곡선으로서 분포되고, 상이한 도로 여건에서 사용자가 차량을 주행하는 가속도는 통상적으로 고정된 가속도 곡선으로서 분포된다. 따라서, 이력 주행 데이터에 기반하여 판정된 제1 이력 주행 특징은 사용자의 주행 습관을 나타낼 수 있거나, 제1 이력 주행 특징은 또한 차량을 주행하는 사용자의 사용자 프로파일(user profile)로서 지칭될 수 있다.
이력 주행 데이터는 제1 모델에 입력될 수 있고, 제1 모델은 이력 주행 데이터에 대응하는 제1 이력 주행 특징을 출력한다. 제1 이력 주행 특징은 다양한 타입의 이력 주행 데이터에 대응하는 복수의 이력 데이터 곡선을 포함한다. 이력 데이터 곡선은 각각 이력 주행 데이터의 분포 규칙을 지시하는 데에 사용된다. 즉, 이력 데이터 곡선은 각각 이력 주행 데이터에 대응하는 주행 특징을 나타내는 데에 사용된다.
다음은 도 6을 참조하여 제1 이력 주행 특징을 기술한다.
도 6은 이 출원의 실시예에 따른 이력 주행 특징의 개략도이다. 도 6에 도시된 바와 같이, 좌표계 내에 복수의 곡선이 있고, 각각의 곡선은 하나의 이력 주행 특징을 나타내고, 하나의 이력 주행 특징은 하나의 타입의 이력 주행 데이터에 대응한다. 상이한 곡선에 대해, 수평 축 및 수직 축에 의해 나타내어지는 의미는 상이함에 유의하여야 한다. 예를 들어, 이력 주행 특징이 가속도에 대응하는 경우에, 수평 축은 도로 여건 색인을 나타낼 수 있고, 수직 축은 가속도를 나타낼 수 있다. 이력 주행 특징이 속력에 대응하는 경우에, 수평 축은 도로 여건 색인을 나타낼 수 있고, 수직 축은 속력을 나타낼 수 있다.
도 6은 제1 이력 주행 특징의 예를 보여줄 뿐이며, 제1 이력 주행 특징에 대한 한정을 구성하지 않는다.
S304: 제2 모델을 획득한다.
제2 모델은 데이터 및 주행 특징 간의 유사도를 획득하는 데에 사용된다. 데이터는 주행 데이터를 포함할 수 있거나, 데이터는 주행 데이터 및 시나리오 데이터를 포함할 수 있다.
선택적으로, 제2 모델은 다음의 방식으로 획득될 수 있다.
제1 방식: 주행 기록기가 아닌 디바이스가 제2 모델을 생성하고, 주행 기록기는 디바이스로부터 제2 모델을 획득한다.
선택적으로, 디바이스는 서버, 단말 디바이스, 또는 유사한 것일 수 있다.
디바이스는 다음의 방식으로 제2 모델을 생성할 수 있다: 제2 샘플의 복수의 그룹을 획득하는 것과, 제2 모델을 획득하기 위해 제2 샘플의 복수의 그룹을 학습하는 것. 제2 샘플의 각각의 그룹은 샘플 데이터, 샘플 주행 특징 및 샘플 유사도를 포함한다.
선택적으로, 샘플 데이터는 샘플 주행 데이터를 포함할 수 있거나, 샘플 데이터는 샘플 주행 데이터 및 샘플 시나리오 데이터를 포함할 수 있다. 샘플 시나리오 데이터는 다음 정보 중 적어도 하나를 포함한다: 샘플 시간 정보, 샘플 위치 정보, 샘플 도로 여건 정보, 또는 샘플 날씨 정보.
샘플 유사도는 샘플 데이터 및 샘플 주행 특징 간의 유사도일 수 있고, 샘플 유사도는 수동으로 주석된 유사도일 수 있다.
선택적으로, 제2 샘플의 하나의 그룹 내의 샘플 주행 데이터는 하나의 타입의 주행 데이터일 수 있다. 주행 데이터의 타입은 속력, 가속도, 트랜스미터 회전 속력, 엔진 온도, 또는 유사한 것일 수 있다. 예를 들어, 제1 샘플의 하나의 그룹 내의 샘플 주행 데이터는 사전설정된 시간 기간 내의 속력일 수 있다. 샘플 데이터의 하나의 그룹에서, 샘플 주행 특징은 샘플 주행 데이터에 대응한다. 선택적으로, 샘플 주행 특징은 샘플 곡선을 사용함으로써 나타내어질 수 있다.
제2 모델을 학습하기 위한 알고리즘은, 로지스틱 회귀(logistic regression) 알고리즘, 결정 트리 알고리즘, 벡터 머신 알고리즘, 단순 베이스 알고리즘 등을 포함할 수 있다.
제2 샘플의 복수의 그룹을 학습함으로써 제2 모델이 획득된 후에, 제2 모델은 다음의 기능을 갖는다: 데이터 및 주행 특징이 제2 모델에 입력된 후에, 제2 모델은, 데이터 및 주행 특징 간의 유사도를 획득하기 위해, 입력 데이터 및 주행 특징을 처리할 수 있다.
주행 기록기가 아닌 디바이스가 학습을 통해서 제2 모델을 획득한 후에, 주행 기록기는 디바이스로부터 제2 모델을 획득할 수 있다. 제2 모델은 오프라인 모델일 수 있다.
제2 방식: 주행 기록기가 제2 모델을 생성한다.
주행 기록기가 제2 모델을 생성하는 프로세스에 대해, 제1 방식을 참조함에 유의하여야 한다. 세부사항은 여기에서 다시 기술되지 않는다.
선택적으로, 제2 모델 및 제1 모델은 하나의 모델로 통합될 수 있다. 예를 들어, 통합을 통해서 획득된 모델은 제1 모델의 기능 및 제2 모델의 기능을 동시에 가질 수 있다. 대안적으로, 제2 모델 및 제1 모델은 2개의 독립적인 모델일 수 있다.
S301부터 S304까지의 프로세스는 일회성 실행 프로세스 또는 주기적 실행 프로세스일 수 있음에 유의하여야 한다. 즉, S305 전에, S301부터 S304까지의 프로세스는 단지 한 번 수행될 필요가 있고, 실시간으로 수행될 필요는 없다.
S305: 제1 데이터를 획득한다.
선택적으로, 제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함한다. 대안적으로, 제1 데이터는 제1 주행 데이터 및 시나리오 데이터를 포함할 수 있고, 시나리오 데이터는 다음 정보 중 적어도 하나를 포함한다: 시간 정보, 위치 정보, 도로 여건 정보, 또는 날씨 정보.
제1 시간 기간은 현재의 순간 전의, 그리고 현재의 순간에 가장 가까운 시간 기간일 수 있다. 예를 들어, 제1 시간 기간은 현재의 순간 전 5분, 10분, 30분, 1시간, 또는 유사한 것일 수 있다.
주행 기록기에 의해 제1 데이터를 획득하는 방식에 대해, S302에서 주행 기록기에 의해 이력 주행 데이터를 획득하는 방식을 참조함에 유의하여야 한다. 세부사항은 여기에서 다시 기술되지 않는다.
S306: 제1 데이터 및 제1 이력 주행 특징 간의 유사도를 획득하기 위해, 제2 모델을 사용함으로써 제1 데이터 및 제1 이력 주행 특징을 처리한다.
제2 모델이 제1 데이터 및 제1 이력 주행 특징 간의 유사도를 출력하도록, 제1 데이터 및 제1 이력 주행 특징이 제2 모델에 입력될 수 있다. 예를 들어, 제1 데이터 및 제1 이력 주행 특징이 제2 모델에 입력된 후에, 제2 모델은 우선 제1 데이터에 대응하는 제1 데이터 곡선을 판정하고, 이후에, 유사도를 획득하기 위해, 제1 데이터 곡선을 제1 이력 주행 특징 내의 이력 데이터 곡선과 비교할 수 있다. 만일 제1 데이터가 시나리오 데이터를 더 포함하는 경우, 시나리오 데이터에 대응하는 이력 데이터 곡선이 제1 이력 주행 특징으로부터 더 획득될 수 있고, 이후에 제1 데이터 곡선 및 시나리오 데이터에 대응하는 이력 데이터 곡선은 유사도를 획득하기 위해 비교될 수 있다.
선택적으로, 제1 데이터는 제1 주행 데이터를 포함할 수 있거나, 제1 데이터는 제1 주행 데이터 및 시나리오 데이터를 포함할 수 있다. 제1 데이터에 포함된 내용이 상이한 경우에, 제1 데이터 및 제1 이력 주행 특징 간의 유사도를 판정하는 프로세스는 이에 따라 상이하다. 다음의 두 사례가 포함될 수 있다.
사례 1: 제1 데이터는 제1 주행 데이터를 포함한다.
제1 주행 데이터는 복수의 타입의 주행 데이터를 포함할 수 있고, 제1 이력 주행 특징은 각각의 타입의 주행 데이터에 대응하는 이력 주행 특징을 포함한다. 각각의 타입의 주행 데이터 및 대응하는 이력 주행 특징 간의 유사도가 별개로 획득될 수 있고, 이후에 제1 데이터 및 제1 이력 주행 특징 간의 유사도가 각각의 타입의 주행 데이터 및 대응하는 이력 주행 특징 간의 유사도에 기반하여 판정된다.
임의의 타입의 주행 데이터에 대해, 해당 타입의 주행 데이터에 대응하는 제1 데이터 곡선이 획득될 수 있고, 해당 타입의 주행 데이터에 대응하는 이력 데이터 곡선이 제1 이력 주행 특징으로부터 획득되고, 이후에 제1 데이터 곡선 및 대응하는 이력 데이터 곡선 간의 유사도가 이 타입의 주행 데이터 및 대응하는 이력 주행 특징 간의 유사도로서 판정된다.
다음은 도 7a를 참조하여 제1 데이터 및 제1 이력 주행 특징 간의 유사도를 판정하는 프로세스를 기술한다.
도 7a는 이 출원의 실시예에 따라 유사도를 판정하는 것의 개략도이다. 도 7a에 도시된 바와 같이, 제1 데이터는 제1 주행 데이터를 포함한다. 제1 주행 데이터는 복수의 타입의 주행 데이터를 포함할 수 있다. 주행 데이터 1, 주행 데이터 2, 주행 데이터 3, ... 및 주행 데이터 N(N은 1보다 큰 정수임)는 N개의 상이한 타입의 주행 데이터이다. 예를 들어, 주행 데이터 1은 속력일 수 있고, 주행 데이터 2는 가속도일 수 있고, 주행 데이터 3은 엔진 회전 속력일 수 있다.
각각의 타입의 주행 데이터에 대응하는 데이터 곡선이 획득될 수 있다. 선택적으로, 제2 모델을 사용함으로써 각각의 타입의 주행 데이터에 대응하는 데이터 곡선이 획득될 수 있다. 예를 들어, 제2 모델이 주행 데이터 1에 대응하는 데이터 곡선 1을 출력하도록, 주행 데이터 1이 제2 모델에 입력될 수 있다. 제2 모델이 주행 데이터 2에 대응하는 데이터 곡선 2를 출력하도록, 주행 데이터 2가 제2 모델에 입력될 수 있다. 유추하여, N개의 타입의 주행 데이터에 대응하는 N개의 데이터 곡선이 획득될 수 있다.
제1 이력 주행 특징은 복수의 이력 데이터 곡선을 포함한다. 예를 들어, 제1 이력 주행 특징은 주행 데이터 1에 대응하는 이력 데이터 곡선 1 및 주행 데이터 2에 대응하는 이력 데이터 곡선 2를 포함한다. 유사도 1을 획득하기 위해 데이터 곡선 1 및 이력 데이터 곡선 1이 비교될 수 있고, 유사도 2를 획득하기 위해 데이터 곡선 2 및 이력 데이터 곡선 2가 비교될 수 있고, 유추하여, N개의 유사도가 획득될 수 있다.
N개의 유사도의 평균 값 또는 가중화된(weighted) 평균 값이 제1 데이터 및 제1 이력 주행 특징 간의 유사도로서 판정될 수 있다.
사례 2: 제1 데이터는 제1 주행 데이터 및 시나리오 데이터를 포함한다.
제1 주행 데이터는 복수의 타입의 주행 데이터를 포함할 수 있다. 예를 들어, 제1 주행 데이터는 속력, 가속도 및 엔진 회전 속력을 포함할 수 있다. 시나리오 데이터는 다음 정보 중 적어도 하나를 포함한다: 시간 정보, 위치 정보, 도로 여건 정보, 또는 날씨 정보. 대응하는 시나리오 타입이 시나리오 데이터에 기반하여 판정되고 획득될 수 있다. 예를 들어, 시나리오 타입은 우천, 아침 혼잡 시간대, 저녁 혼잡 시간대, 휴일, 평일 및 막히지 않은 도로 여건을 포함할 수 있다.
제1 이력 주행 특징은 각각의 타입의 주행 데이터에 대응하는 복수의 이력 주행 특징을 포함하고, 복수의 이력 주행 특징은 상이한 시나리오 타입에 대응한다. 예를 들어, 주행 데이터는 속력이고, 제1 이력 주행 특징은 속력에 대응하는 복수의 이력 속력 주행 특징을 포함하고, 복수의 이력 속력 주행 특징은, 우천에 대응하는 이력 속력 주행 특징, 아침 혼잡 시간대에 대응하는 이력 속력 주행 특징, 휴일에 대응하는 이력 속력 주행 특징 등을 포함할 수 있다고 가정된다.
각각의 타입의 주행 데이터 및 대응하는 이력 주행 특징 간의 유사도가 시나리오 데이터에 기반하여 별개로 획득될 수 있고, 이후에 제1 데이터 및 제1 이력 주행 특징 간의 유사도가 각각의 타입의 주행 데이터 및 대응하는 이력 주행 특징 간의 유사도에 기반하여 판정된다.
임의의 타입의 주행 데이터에 대해, 해당 타입의 주행 데이터에 대응하는 제1 데이터 곡선이 획득될 수 있다. 해당 타입의 주행 데이터에 대응하는 복수의 이력 데이터 곡선이 제1 이력 주행 특징으로부터 획득된다. 시나리오 타입이 시나리오 데이터에 기반하여 판정된다. 시나리오 타입에 대응하는 제1 이력 데이터 곡선이 복수의 이력 데이터 곡선으로부터 판정된다. 제1 데이터 곡선 및 제1 이력 데이터 곡선 간의 유사도가 해당 타입의 주행 데이터 및 이력 주행 특징 간의 유사도로서 판정된다.
다음은 도 7b를 참조하여 제1 데이터 및 제1 이력 주행 특징 간의 유사도를 판정하는 프로세스를 기술한다.
도 7b는 이 출원의 실시예에 따라 유사도를 판정하는 것의 개략도이다. 도 7b에 도시된 바와 같이, 제1 데이터는 제1 주행 데이터 및 시나리오 데이터를 포함한다. 제1 주행 데이터는 복수의 타입의 주행 데이터를 포함할 수 있다. 주행 데이터 1, 주행 데이터 2, 주행 데이터 3, ... 및 주행 데이터 N(N은 1보다 큰 정수임)는 N개의 상이한 타입의 주행 데이터이다. 예를 들어, 주행 데이터 1은 속력일 수 있고, 주행 데이터 2는 가속도일 수 있고, 주행 데이터 3은 엔진 회전 속력일 수 있다.
각각의 타입의 주행 데이터에 대응하는 데이터 곡선이 획득될 수 있다. 선택적으로, 제2 모델을 사용함으로써 각각의 타입의 주행 데이터에 대응하는 데이터 곡선이 획득될 수 있다. 예를 들어, 제2 모델이 주행 데이터 1에 대응하는 데이터 곡선 1을 출력하도록, 주행 데이터 1이 제2 모델에 입력될 수 있다. 제2 모델이 주행 데이터 2에 대응하는 데이터 곡선 2를 출력하도록, 주행 데이터 2가 제2 모델에 입력될 수 있다. 유추하여, N개의 타입의 주행 데이터에 대응하는 N개의 데이터 곡선이 획득될 수 있다.
제1 이력 주행 특징은 각각의 타입의 주행 데이터에 대응하는 복수의 이력 데이터 곡선을 포함한다. 예를 들어, 제1 이력 주행 특징은 주행 데이터 1에 대응하는 복수의 이력 데이터 곡선(예를 들어, 이력 데이터 곡선 11, 이력 데이터 곡선 12, ... 및 이력 데이터 곡선 1X), 주행 데이터 2에 대응하는 복수의 이력 데이터 곡선(예를 들어, 이력 데이터 곡선 21, 이력 데이터 곡선 22, ... 및 이력 데이터 곡선 2K) 등을 포함한다. 시나리오 데이터에 대응하는 (이력 데이터 곡선 11이라고 가정된) 제1 이력 데이터 곡선이, 주행 데이터 1에 대응하는 복수의 이력 데이터 곡선으로부터, 시나리오 데이터에 기반하여, 선택될 수 있고, 시나리오 데이터에 대응하는 (이력 데이터 곡선 21이라고 가정된) 제1 이력 데이터 곡선이, 주행 데이터 2에 대응하는 복수의 이력 데이터 곡선으로부터, 시나리오 데이터에 기반하여, 선택될 수 있다. 유추하여, 각각의 타입의 주행 데이터에 대응하는 제1 이력 데이터 곡선이 시나리오 데이터에 기반하여 선택된다. 유사도 1을 획득하기 위해 데이터 곡선 1 및 이력 데이터 곡선 1이 비교될 수 있고, 유사도 2를 획득하기 위해 데이터 곡선 2 및 이력 데이터 곡선 2가 비교될 수 있고, 유추하여, N개의 유사도가 획득될 수 있다.
N개의 유사도의 평균 값 또는 가중화된 평균 값이 제1 데이터 및 제1 이력 주행 특징 간의 유사도로서 판정될 수 있다.
도 7a 및 도 7b는 제1 데이터 및 제1 이력 주행 특징 간의 유사도를 판정하는 것의 예를 보여줄 뿐이며, 이에 대한 한정을 구성하지 않음에 유의하여야 한다. 유사도는 다른 방식으로 판정될 수 있다.
제1 데이터 및 제1 이력 주행 특징 간의 유사도는 알고리즘에 따라 또한 획득될 수 있음에 유의하여야 한다. 알고리즘에 따라 유사도를 획득하는 프로세스는 제2 모델을 사용함으로써 유사도를 획득하는 프로세스와 유사하다. 세부사항은 여기에서 다시 기술되지 않는다.
S307: 유사도에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정한다.
제1 시간 기간에서 차량이 이상한 경우는, 제1 시간 기간에서 차량이 고장임, 제1 시간 기간에서 차량에 차량 사고가 발생함, 또는 제1 시간 기간에서 사용자가 이상하게 차량을 주행함을 포함할 수 있다. 사용자가 이상하게 차량을 주행하는 것은, 사용자가 극도로 빨리 주행하는 것, 사용자가 극도로 느리게 주행하는 것, 사용자가 차량을 영역에서 배회하도록 주행하는 것, 또는 유사한 것을 포함할 수 있다.
선택적으로, 만일 유사도가 유사도 임계(similarity threshold)보다 낮거나 같은 경우, 제1 시간 기간에서 차량이 이상함이 판정된다.
S308: 제1 시간 기간에 기반하여 차량의 주행 기록 비디오를 주석한다.
차량의 주행 기록 비디오는 다음의 방식으로 주석될 수 있다: 이상 정보를 생성하는 것; 및 제1 시간 기간에 기반하여 주행 기록 비디오 내에 이상 정보를 주석하는 것.
이상 정보는 다음의 정보 중 적어도 하나를 포함한다: 이상 지시(abnormality indication), 이상 레벨, 이상 타입, 또는 이상 서술 정보. 이상 지시는 차량이 이상함을 지시하는 데에 사용된다. 이상 레벨은 차량의 이상 정도를 지시하는 데에 사용된다. 예를 들어, S306에서 판정된 더 낮은 유사도는 차량의 더 높은 이상 정도 및 더 높은 이상 레벨을 지시한다. 이상 타입은 이상한 브레이크(brake), 이상한 턴(turn), 이상한 가속도, 이상한 엔진, 이상한 주행 진로(track) 등을 포함할 수 있다. 이상 서술 정보는 차량 이상(vehicle abnormality)의 특정 여건을 기술하는 데에 사용된다. 예를 들어, 이상 서술 정보는 다음을 포함할 수 있다: 1분 내 5번의 돌발적인 브레이크, 제1 임계보다 큰 가속도, 1시간 내 동일한 도로 구간 내의 10번의 왕복 주행, 또는 3분 내 10번의 차선 변경.
주행 기록 비디오가 주석된 후에, 사용자는 주석된 주행 기록 비디오를 (컴퓨터 또는 모바일 전화 같은) 단말 디바이스를 사용함으로써 열람할 수 있다. 다음은 주행 기록 비디오가 주석되고 사용자가 주석된 주행 기록 비디오를 열람하는 프로세스를 기술한다.
제1 비디오 주석 방식:
이미지 촬영 디바이스가 차량의 복수의 주행 기록 비디오를 촬영할 수 있다. 예를 들어, (차량이 시동이 걸린 시간부터 차량이 시동이 꺼진 시간까지) 차량의 하나의 출행(trip)이 하나의 주행 기록 비디오에 대응할 수 있거나, 차량의 한 개의 사전설정된 주행 지속기간(duration)(예를 들어, 1시간)이 하나의 주행 기록 비디오에 대응할 수 있다. 복수의 출행에 대한 차량의 복수의 주행 기록 비디오는 리스트(list)에 저장될 수 있다. 주행 기록 비디오가 주석되는 경우에, 이상 정보가 생성되고, 이상 정보는 주행 기록 비디오의 속성 정보(attribute information)로서 사용된다. 이 방식으로, 주행 기록 비디오가 리스트 내에 디스플레이되는 경우에, 이상 정보가 디스플레이될 수 있다. 이상 정보 내의 어떤 정보(예를 들어, 이상 서술 정보 또는 이상 서술 정보 내의 어떤 내용)는 또한 자막(subtitle) 또는 팝업(pop-up)으로서 주행 기록 비디오 내의 대응하는 위치에 추가될 수 있다.
이 비디오 주석 방식에서, 다음은, 도 8a 내지 도 8c를 참조하여, 사용자가 주석된 주행 기록 비디오를 열람하는 방식을 기술한다.
도 8a 내지 도 8c는 이 출원의 실시예에 따른 비디오 열람 방식의 개략도이다. 도 8a 내지 도 8c에 도시된 바와 같이, 인터페이스(801) 내지 인터페이스(803)가 있다.
인터페이스(801)를 참조하면, 단말 디바이스가 주행 기록 비디오를 획득하는 방식이 도 2a에 도시되고, 단말 디바이스가 주행 기록 비디오를 획득한 후, 단말 디바이스는 주행 기록 비디오에 대응하는 폴더(folder)를 디스플레이할 수 있다고 가정된다. 사용자가 주행 기록 비디오를 열람할 필요가 있을 때, 사용자는 단말 디바이스 상에 주행 기록 비디오 리스트를 디스플레이하도록 주행 기록 비디오에 대응하는 폴더를 탭할(tap) 수 있다.
인터페이스(802)에 도시된 바와 같이, 주행 기록 비디오 리스트가 있다. 리스트는 5개의 주행 기록 비디오 및 5개의 주행 기록 비디오의 속성 정보를 포함한다. 속성 정보는 촬영 시간, 이상 지시, 이상 레벨, 이상 타입 및 이상 서술 정보를 포함한다. 분명히, 속성 정보는 다른 정보를 더 포함할 수 있다. 이는 여기에 한정되지 않는다. 5개의 주행 기록 비디오는 차량의 다섯 출행에 대응하는 비디오일 수 있다. 주행 기록 비디오 1, 주행 기록 비디오 4 및 주행 기록 비디오 5에 대응하는 시간 기간에서, 차량은 정상이며(normal), 3개의 주행 기록 비디오에 대응하는 이상 지시는 "정상"임을 주행 기록 비디오 리스트로부터 알 수 있다. 주행 기록 비디오 2 및 주행 기록 비디오 3에 대응하는 시간 기간에서, 차량은 이상하며, 2개의 주행 기록 비디오에 대응하는 이상 지시는 "이상"이다. 2개의 주행 기록 비디오는 다음 속성을 더 갖는다: 이상 레벨, 이상 타입 및 이상 서술 정보. 선택적으로, 이상 서술 정보는 간략한 서술 정보일 수 있고, 사용자는 단말 디바이스 상에 상세한 설명 정보를 디스플레이하도록 간략한 서술 정보를 탭할 수 있다. 예를 들어, 사용자가 "잦은 브레이크"의 간략한 서술 정보를 탭한 후에, 단말 디바이스는 "제20분 및 제22분 간의 8번의 갑작스러운 브레이크"의 상세한 서술 정보를 디스플레이할 수 있다. 선택적으로, 사용자로 하여금 "이상" 주행 기록 비디오를 열람할 수 있게 하기 위해, "정상" 및 "이상" 주행 기록 비디오의 식별자 및 속성 정보가 상이한 디스플레이 방식으로 디스플레이될 수 있는데, 디스플레이 방식은 폰트 색상, 폰트 타입, 폰트 크기 등을 포함한다. 예를 들어, "정상" 주행 기록 비디오의 식별자 및 속성 정보는 적색 폰트로 디스플레이될 수 있고, "이상" 주행 기록 비디오의 식별자 및 속성 정보는 흑색 폰트로 디스플레이될 수 있다. 사용자는 단말 디바이스 상에 주행 기록 비디오를 틀기 위해 주행 기록 비디오 리스트 내의 주행 기록 비디오의 식별자를 탭할 수 있다. 예를 들어, 사용자가 주행 기록 비디오 2를 열람할 필요가 있을 때, 사용자는 단말 디바이스 상에 주행 기록 비디오 2를 틀기 위해 주행 기록 비디오 2의 식별자를 탭할 수 있다.
인터페이스(803)에 도시된 바와 같이, 단말 디바이스는 주행 기록 비디오 2를 튼다. 사용자는, 주행 기록 비디오 2의 이상 서술 정보에 기반하여, 주행 기록 비디오 2의 제20분 및 제22분 사이에 차량이 이상함을 판정할 수 있고, 사용자는 이상 서술 정보에 기반하여 비디오 재생 진행 바(progress bar)를 드래그할(drag) 수 있다. 사용자가 제20분으로 진행 바를 드래그하는 경우에, 이상 서술 정보의 부분적 내용(갑작스러운 브레이크)이 비디오 내에 자막으로서 디스플레이된다.
전술한 프로세스에서, 사용자는 주행 기록 비디오 리스트에 기반하여 차량 내의 이상에 대응하는 주행 기록 비디오를 편리하게 획득하고, 이상 서술 정보에 기반하여 주행 기록 비디오에서 차량이 이상한 시간 기간을 알고, 주행 기록 비디오 내에서 정확히 시간 기간의 위치를 찾아낼(locate) 수 있다. 이들 동작은 편리하고 유연하여 사용자 경험을 개선한다.
대안적으로 주행 기록 비디오는 사전설정된 지속기간의 비디오일 수 있음에 유의하여야 한다. 예를 들어, 각각의 주행 기록 비디오의 지속기간은 1시간이다. 선택적으로, 이상 지시가 "이상"인 주행 기록 비디오는 대안적으로 차량이 이상과 맞닥뜨린 시간 기간에서 촬영된 비디오일 수 있다. 예를 들어, 주행 기록 비디오 2의 지속기간은 2분일 수 있고, 차량은 2분 내에 이상과 맞닥뜨린다.
제2 비디오 주석 방식:
이미지 촬영 디바이스에 의해 촬영된 하나의 주행 기록 비디오는 하나의 비디오 파일에 대응할 수 있다. 만일 주행 기록 비디오의 촬영 시간 기간에서 차량이 이상하게 되면, 이상 정보 파일이 생성된다. 이상 정보 파일은 1개 이상의 이상 정보를 포함할 수 있고, 이상 정보 파일은 비디오 파일의 구성 파일로서 사용될 수 있다. 이상 정보 파일 내의 1개의 이상 정보는 주행 기록 비디오 내의 하나의 이상 시간 기간(또는 이상 순간)에 대응할 수 있고, 이상 정보 및 주행 기록 비디오 내의 이상 시간 기간(또는 이상 순간) 간에 연관이 있다. 예를 들어, 대응하는 이상 시간 기간(또는 이상 순간)은 이상 정보에 기반하여 위치가 찾아질 수 있다.
도 9를 참조하여, 다음은 주행 기록 비디오를 주석하는 프로세스를 기술한다.
도 9는 이 출원의 실시예에 따른 비디오 주석 방식의 개략도이다. 도 9에 도시된 바와 같이, 주행 기록 비디오에 대응하는 촬영 시간 기간에서 차량이 이상한 경우에, 비디오 파일 및 이상 정보 파일이 생성될 수 있다. 예를 들어, 비디오 파일은 80분의 비디오일 수 있고, 이상 정보 파일은 3개의 이상 정보를 포함할 수 있는데, 이들은 각각 이상 정보 1, 이상 정보 2 및 이상 정보 3이다. 이상 정보 1은 주행 기록 비디오 내의 순간 t1에 대응하는바, 즉, 주행 기록 비디오 내의 순간 t1은 이상 정보 1에 기반하여 위치가 찾아질 수 있다. 이상 정보 2는 주행 기록 비디오 내의 순간 t2에 대응하는바, 즉, 주행 기록 비디오 내의 순간 t2는 이상 정보 2에 기반하여 위치가 찾아질 수 있다. 이상 정보 3은 주행 기록 비디오 내의 순간 t3에 대응하는바, 즉, 주행 기록 비디오 내의 순간 t3은 이상 정보 3에 기반하여 위치가 찾아질 수 있다.
이 비디오 주석 방식에서, 다음은, 도 10a 내지 도 10f를 참조하여, 사용자가 주석된 주행 기록 비디오를 열람하는 방식을 기술한다.
도 10a 내지 도 10f는 이 출원의 실시예에 따른 비디오 열람 방식의 개략도이다. 도 10a 내지 도 10f에 도시된 바와 같이, 인터페이스(1001 내지 1006)가 포함된다.
인터페이스(1001)에 도시된 바와 같이, 단말 디바이스가 주행 기록 비디오를 획득하는 방식이 도 2b 또는 도 2c에 도시된다고 가정된다. 애플리케이션이 단말 디바이스 내에 설치된다. 주행 기록 비디오는 애플리케이션을 사용함으로써 단말 디바이스에 송신된다고 가정된다. 사용자가 단말 디바이스를 사용함으로써 주행 기록 비디오를 열람할 필요가 있을 때, 사용자는 단말 디바이스 상에서 애플리케이션을 시작할 수 있다. 애플리케이션은 "비디오 재생" 아이콘을 포함한다. 사용자는 단말 디바이스 상에 인터페이스(1002)를 디스플레이하도록 아이콘을 탭할 수 있다. 인터페이스(1001)는 다른 아이콘을 더 포함할 수 있다. 인터페이스(1001)에 포함된 아이콘은 이 출원의 이 실시예에서 구체적으로 한정되지 않는다.
인터페이스(1002)에 도시된 바와 같이, "모든 비디오" 아이콘 및 "이상 비디오" 아이콘이 있다. "모든 비디오" 아이콘에 대응하는 페이지는 모든 비디오의 식별자를 포함하고, "이상 비디오" 아이콘에 대응하는 페이지는 이상 비디오의 식별자를 포함한다. 사용자가 이상 비디오를 열람할 필요가 있을 때, 사용자는 단말 디바이스 상에 인터페이스(1003)를 디스플레이하도록 "이상 비디오" 아이콘을 탭할 수 있다. 이상 비디오는 촬영 시간 기간이 차량이 이상한 시간 기간을 포함하는 비디오이다.
인터페이스(1003)에 도시된 바와 같이, 이상 비디오 리스트가 포함된다. 사용자는 단말 디바이스 상에 이상 비디오를 틀기 위해 임의의 이상 비디오를 탭할 수 있다. 예를 들어, 사용자가 이상 비디오 2를 열람할 필요가 있어, 사용자는 단말 디바이스 상에 인터페이스(1004)를 디스플레이하도록 비디오 2를 탭한다고 가정된다.
인터페이스(1004)에 도시된 바와 같이, 비디오 재생 윈도우 M 및 적어도 하나의 "이상 포인트" 아이콘이 포함된다. "이상 포인트" 아이콘의 수효는 이상 비디오 내의 이상의 수효와 일치한다. 예를 들어, 3개의 이상이 비디오 2에 포함되고, 이에 따라 3개의 "이상 포인트" 아이콘, 곧 "이상 포인트 1" 아이콘, "이상 포인트 2" 아이콘 및 "이상 포인트 3" 아이콘이 인터페이스에 포함된다고 가정된다. 선택적으로, 3개의 "이상 포인트" 아이콘은 도 9에서의 3개의 이상 정보에 기반하여 생성될 수 있다. 사용자가 이상 포인트 1에 대응하는 비디오 클립을 열람할 필요가 있을 때, 사용자는 단말 디바이스 상에 인터페이스(1005)를 디스플레이하도록 "이상 포인트 1" 아이콘을 탭할 수 있다고 가정된다.
인터페이스(1005)에 도시된 바와 같이, 비디오 재생 윈도우 M 내의 비디오의 재생 진행 바는 순간 t1으로 점프하고, 이상 서술 정보(갑작스러운 브레이크)가 비디오 내에 디스플레이된다. 사용자가 이상 포인트 2에 대응하는 비디오 클립을 열람할 필요가 있을 때, 사용자는 단말 디바이스 상에 인터페이스(1006)를 디스플레이하도록 "이상 포인트 2" 아이콘을 탭할 수 있다고 가정된다.
인터페이스(1006)에 도시된 바와 같이, 비디오 재생 윈도우 M 내의 비디오의 재생 진행 바는 순간 t2로 점프하고, 이상 서술 정보(갑작스러운 턴)가 비디오 내에 디스플레이된다.
전술한 프로세스에서, 사용자는 단말 디바이스 내의 애플리케이션을 사용함으로써 이상 비디오를 편리하게 열람할 수 있고, "이상 포인트" 아이콘에 기반하여 이상 시간 기간의 위치를 신속하게 찾아낼 수 있다. 이들 동작은 편리하고 유연하여 사용자 경험을 개선한다.
이 출원의 실시예에서 제공되는 데이터 처리 방법에 따라, 제1 시간 기간에서의 차량의 제1 데이터 및 제1 이력 주행 특징이 획득될 수 있고, 제1 시간 기간에서 차량이 이상함이 제1 데이터 및 제1 이력 주행 특징에 기반하여 판정될 수 있고, 차량의 주행 기록 비디오가 제1 시간 기간에 기반하여 주석될 수 있다. 제1 데이터는 제1 시간 기간에서의 차량의 주행 상태를 반영할 수 있고, 제1 이력 주행 특징은 차량의 운전자의 주행 습관을 반영할 수 있다. 사용자의 주행 습관은 통상적으로 고정되므로, 제1 시간 기간에서 차량이 이상한지는 제1 주행 데이터 및 차량의 이력 주행 특징을 비교함으로써 판정될 수 있다. 제1 시간 기간에서 차량이 이상함이 판정된 경우에, 이미지 촬영 디바이스에 의해 촬영된 주행 기록 비디오는 제1 시간 기간에서 차량이 이상함을 기록하기 위해 주석될 수 있다. 이 방식으로, 주행 기록 비디오는 정확하게 주석될 수 있다. 비디오 클립 탐색 효율을 개선하기 위해, 사용자는 주행 기록 비디오의 주석 결과에 기반하여 비디오 클립을 정확하게, 그리고 신속하게 탐색할 수 있다.
도 3에서의 실시예에서 도시된 처리 단계(S301 내지 S308)는 데이터 처리 프로세스에 대한 구체적인 한정을 구성하지 않음에 유의하여야 한다. 이 출원의 몇몇 다른 실시예에서, 데이터 처리 프로세스는 도 3의 실시예에서의 단계보다 더 많거나 더 적은 단계를 포함할 수 있다. 예를 들어, 데이터 처리 프로세스는 도 3의 실시예에서의 몇몇 단계를 포함할 수 있거나, 도 3의 실시예에서의 몇몇 단계는 동일한 기능을 갖는 단계에 의해 대체될 수 있거나, 도 3의 실시예에서의 몇몇 단계는 복수의 단계로 나뉠 수 있거나, 기타 등등이다.
다음은 도 11을 참조하여 다른 실현가능한 데이터 처리 방법을 기술한다.
도 11은 이 출원의 실시예에 따른 다른 데이터 처리 방법의 개략적인 흐름도이다. 도 11을 참조하시오. 방법은 다음의 단계를 포함할 수 있다.
S1101: 제1 데이터 및 제1 이력 주행 특징을 획득한다.
이 출원의 이 실시예를 위한 실행 주체는 차량, 주행 기록기, 또는 차량 또는 주행 기록기 내에 배치된 데이터 처리 장치일 수 있다. 데이터 처리 장치는 소프트웨어를 사용함으로써 구현될 수 있거나, 소프트웨어 및 하드웨어의 조합을 사용함으로써 구현될 수 있다. 예를 들어, 데이터 처리 장치는 처리 칩일 수 있다.
제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함하고, 제1 이력 주행 특징은 차량의 이력 주행 데이터에 기반하여 판정된다.
제1 이력 주행 특징을 획득하는 프로세스에 대해, S303을 수행하는 프로세스를 참조함에 유의하여야 한다. 제1 데이터를 획득하는 프로세스에 대해, S305을 수행하는 프로세스를 참조하시오. 세부사항은 여기에서 다시 기술되지 않는다.
S1102: 제1 데이터 및 제1 이력 주행 특징에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정한다.
S1102를 수행하는 프로세스에 대해, S306 및 S307을 수행하는 프로세스를 참조함에 유의하여야 한다. 세부사항은 여기에서 기술되지 않는다.
S1103: 제1 시간 기간에 기반하여 차량의 주행 기록 비디오를 주석한다.
S1103을 수행하는 프로세스에 대해, S308을 수행하는 프로세스를 참조함에 유의하여야 한다. 세부사항은 여기에서 기술되지 않는다.
도 11에 도시된 실시예에서, 제1 시간 기간에서의 차량의 제1 데이터 및 제1 이력 주행 특징이 획득될 수 있고, 제1 시간 기간에서 차량이 이상함이 제1 데이터 및 제1 이력 주행 특징에 기반하여 판정되고, 차량의 주행 기록 비디오가 제1 시간 기간에 기반하여 주석된다. 제1 데이터는 제1 시간 기간에서의 차량의 주행 상태를 반영할 수 있고, 제1 이력 주행 특징은 차량의 운전자의 주행 습관을 반영할 수 있다. 사용자의 주행 습관은 통상적으로 고정되므로, 제1 시간 기간에서 차량이 이상한지는 제1 주행 데이터 및 차량의 이력 주행 특징을 비교함으로써 판정될 수 있다. 제1 시간 기간에서 차량이 이상함이 판정된 경우에, 이미지 촬영 디바이스에 의해 촬영된 주행 기록 비디오는 제1 시간 기간에서 차량이 이상함을 기록하기 위해 주석될 수 있다. 이 방식으로, 주행 기록 비디오는 정확하게 주석될 수 있다. 비디오 클립 탐색 효율을 개선하기 위해, 사용자는 주행 기록 비디오의 주석 결과에 기반하여 비디오 클립을 정확하게, 그리고 신속하게 탐색할 수 있다.
이 출원의 실시예는 주행 기록기를 또한 제공한다. 다음은 도 12a 및 도 12b를 참조하여 주행 기록기를 기술한다.
도 12a는 이 출원의 실시예에 따른 주행 기록기의 구조의 개략도이다. 도 12a에 도시된 바와 같이, 주행 기록기(120)는 처리 칩(121) 및 이미지 촬영 디바이스(122)를 포함한다.
이미지 촬영 디바이스(121)는 주행 기록 비디오를 촬영하도록 구성된다.
처리 칩(122)은, 제1 데이터 및 제1 이력 주행 특징을 획득하고, 제1 데이터 및 제1 이력 주행 특징에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하고, 제1 시간 기간에 기반하여 주행 기록 비디오를 주석하도록 구성된다. 제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함하고, 제1 이력 주행 특징은 차량의 이력 주행 데이터에 기반하여 판정된다.
선택적으로, 처리 칩(122)은 전술한 방법 실시예에서 도시된 데이터 처리 방법을 또한 수행할 수 있다. 프로세스 및 이의 유익한 효과는 유사하며, 세부사항은 여기에서 다시 기술되지 않는다.
도 12b는 이 출원의 실시예에 따른 다른 주행 기록기의 구조의 개략도이다. 도 12a에 기반하여, 도 12b에 도시된 바와 같이, 주행 기록기(120)는 메모리(123)를 더 포함할 수 있고, 메모리(123)는 주행 기록 비디오를 저장하도록 구성된다.
선택적으로, 이미지 촬영 디바이스(121)가 주행 기록 비디오를 촬영하고 획득한 후에, 메모리(123) 내에 주행 기록 비디오를 저장하기 위해, 주행 기록 비디오는 메모리(123)에 발신될 수 있다.
선택적으로, 메모리(123)는 프로그램 명령어를 또한 저장할 수 있고, 처리 칩(122)은, 프로그램 명령어에 기반하여, 전술한 방법 실시예에서 도시된 기술적 해결안을 수행할 수 있다.
도 12b에 도시된 바와 같이, 주행 기록기(120)는 통신 모듈(124)을 더 포함할 수 있고, 통신 모듈(124)은 다른 디바이스(예를 들어, 차량 또는 클라우드 서버)와 통신할 수 있다.
선택적으로, 주행 기록기(120)는 데이터 수집 디바이스를 더 포함할 수 있다. 데이터 수집 디바이스는 카메라, 밀리미터파 레이더(millimeter-wave radar), 레이저 레이더(laser radar), 관성 센서(inertial sensor), 또는 유사한 것을 포함할 수 있다. 데이터 수집 디바이스는 제1 데이터를 획득할 수 있다.
실제 적용 프로세스에서, 주행 기록기(120)는 통상적으로 차량 상에 배치된다. 다음은 도 13a 내지 도 13c를 참조하여 주행 기록기 및 차량 간의 연결 관계를 기술한다. 도 13a 내지 도 13c에서, 설명을 위해 도 12b에서의 주행 기록기가 사용된다.
도 13a는 이 출원의 실시예에 따른 디바이스 연결의 개략도이다. 도 13a에 도시된 바와 같이, 주행 기록기(120)의 통신 모듈(124) 상에 인터페이스가 배치될 수 있고, 차량 상에 인터페이스가 배치될 수 있다.
실제 적용 프로세스에서, 주행 기록기 및 차량이 인터페이스를 사용함으로써 서로 통신할 수 있도록, 주행 기록기(120) 상의 인터페이스는 차량 상의 인터페이스에 연결될 수 있다.
주행 기록기에서, 인터페이스는 대안적으로 다른 위치에 배치될 수 있음에 유의하여야 한다. 이것은 이 출원의 이 실시예에서 구체적으로 한정되지 않는다.
도 13b는 이 출원의 실시예에 따른 다른 디바이스 연결의 개략도이다. 도 13b에 도시된 바와 같이, 차량 상에 통신 모듈이 배치되고, 주행 기록기(120) 내의 통신 모듈(124)은 차량 상의 통신 모듈과 (예를 들어, 무선 통신을 통해서) 통신할 수 있다. 예를 들어, 차량은 통신 모듈을 사용함으로써 주행 기록기에 주행 데이터를 발신할 수 있다.
도 13c는 이 출원의 실시예에 따른 또 다른 디바이스 연결의 개략도이다. 도 13c에 도시된 바와 같이, 차량 상에 통신 모듈이 배치되고, 차량 내의 통신 모듈은 서버와 통신할 수 있다. 예를 들어, 차량은 통신 모듈을 사용함으로써 클라우드 서버에 주행 데이터를 발신할 수 있다. 주행 기록기(120)는 통신 모듈(124)을 사용함으로써 클라우드 서버와 통신할 수 있다. 예를 들어, 주행 기록기(120)는 통신 모듈(124)을 사용함으로써 클라우드 서버로부터 주행 데이터를 획득할 수 있다.
도 13a 내지 도 13c는 차량의 구조의 예를 보여줄 뿐이며, 차량의 구조에 대한 한정을 구성하지 않음에 유의하여야 한다.
이 출원의 실시예는 차량을 또한 제공한다. 다음은 도 14a 및 도 14b를 참조하여 차량의 구조를 기술한다.
도 14a는 이 출원의 실시예에 따른 차량의 구조의 개략도이다. 도 14a에 도시된 바와 같이, 차량(140)은 처리 칩(141) 및 이미지 촬영 디바이스(142)를 포함할 수 있다.
이미지 촬영 디바이스(141)는 주행 기록 비디오를 촬영하도록 구성된다.
처리 칩(142)은, 제1 데이터 및 제1 이력 주행 특징을 획득하고, 제1 데이터 및 제1 이력 주행 특징에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하고, 제1 시간 기간에 기반하여 주행 기록 비디오를 주석하도록 구성된다. 제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함하고, 제1 이력 주행 특징은 차량의 이력 주행 데이터에 기반하여 판정된다.
선택적으로, 처리 칩(122)은 전술한 방법 실시예에서 도시된 데이터 처리 방법을 또한 수행할 수 있다. 프로세스 및 이의 유익한 효과는 유사하며, 세부사항은 여기에서 다시 기술되지 않는다.
도 14b는 이 출원의 실시예에 따른 차량의 다른 구조의 개략도이다. 도 14a에 기반하여, 도 14b에 도시된 바와 같이, 차량은 메모리(143)를 더 포함할 수 있고, 메모리(143)는 주행 기록 비디오를 저장하도록 구성된다.
선택적으로, 이미지 촬영 디바이스(141)가 주행 기록 비디오를 촬영하고 획득한 후에, 메모리(143) 내에 주행 기록 비디오를 저장하기 위해, 주행 기록 비디오는 메모리(143)에 발신될 수 있다.
선택적으로, 메모리(143)는 프로그램 명령어를 또한 저장할 수 있고, 처리 칩(142)은, 프로그램 명령어에 기반하여, 전술한 방법 실시예에서 도시된 기술적 해결안을 수행할 수 있다.
도 14b에 도시된 바와 같이, 차량은 차체 상태 시스템(144)을 더 포함한다. 차체 상태 시스템(144)은 제1 주행 데이터를 획득하고 제1 주행 데이터를 처리 칩(141)에 발신할 수 있다. 차량은 컴포넌트를 더 포함한다. 컴포넌트는 복수의 부품 및 복수의 센서를 포함한다. 차체 상태 시스템(144)은 차량의 컴포넌트로부터 제1 주행 데이터를 획득할 수 있다.
선택적으로, 차량(140)은 통신 모듈(도면에 도시되지 않음)을 더 포함할 수 있고, 통신 모듈은 다른 디바이스(예를 들어, 클라우드 서버)와 통신할 수 있다.
선택적으로, 차량(140)은 데이터 수집 디바이스를 더 포함할 수 있다. 데이터 수집 디바이스는 카메라, 밀리미터파 레이더, 레이저 레이더, 관성 센서, 또는 유사한 것을 포함할 수 있다. 데이터 수집 디바이스는 제1 데이터를 획득할 수 있다.
도 15는 이 출원의 실시예에 따른 데이터 처리 장치의 구조의 개략도이다. 도 15에 도시된 바와 같이, 데이터 처리 장치(150)는 획득 모듈(151), 판정 모듈(152) 및 주석 모듈(153)을 포함할 수 있다.
획득 모듈(151)은 제1 데이터 및 제1 이력 주행 특징을 획득하도록 구성된다. 제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함하고, 제1 이력 주행 특징은 차량의 이력 주행 데이터에 기반하여 판정된다.
판정 모듈(152)은, 제1 데이터 및 제1 이력 주행 특징에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하도록 구성된다.
주석 모듈(153)은 제1 시간 기간에 기반하여 차량의 주행 기록 비디오를 주석하도록 구성된다.
선택적으로, 획득 모듈(151)은 도 3에 도시된 실시예에서의 S303 및 S305, 그리고 도 11에 도시된 실시예에서의 S1101을 수행할 수 있다.
선택적으로, 판정 모듈(152)은 도 3에 도시된 실시예에서의 S306 및 S307, 그리고 도 11에 도시된 실시예에서의 S1102를 수행할 수 있다.
선택적으로, 주석 모듈(153)은 도 3에 도시된 실시예에서의 S308, 그리고 도 11에 도시된 실시예에서의 S1103을 수행할 수 있다.
이 출원의 이 실시예에서 도시된 데이터 처리 장치는 전술한 방법 실시예에서 도시된 기술적 해결안을 수행할 수 있음에 유의하여야 한다. 데이터 처리 장치의 구현 원리 및 유익한 효과는 기술적 해결안과 유사하며, 세부사항은 여기에서 다시 기술되지 않는다.
가능한 구현에서, 제1 주행 데이터는 다음 중 적어도 하나를 포함한다:
차량 내의 컴포넌트의 상태 데이터;
차량 내의 컴포넌트의 운행 데이터; 또는
차량 내의 컴포넌트에 의해 수집된 센서 데이터.
가능한 구현에서, 제1 이력 주행 특징은 복수의 타입의 이력 주행 데이터에 대응하는 복수의 이력 데이터 곡선을 포함하고, 이력 데이터 곡선은 이력 주행 데이터의 분포 규칙을 지시하는 데에 사용되고, 이력 주행 데이터는 다음 중 적어도 하나를 포함한다:
차량 내의 컴포넌트의 이력 상태 데이터;
차량 내의 컴포넌트의 이력 운행 데이터; 또는
차량 내의 컴포넌트에 의해 수집된 이력 센서 데이터.
가능한 설계에서, 획득 모듈은 구체적으로,
제1 이력 주행 특징을 획득하기 위해, 제1 모델을 사용함으로써 이력 주행 데이터를 처리하도록 구성된다.
제1 모델은 제1 샘플의 복수의 그룹을 학습함으로써 획득되고, 제1 샘플의 복수의 그룹 각각은 샘플 주행 데이터 및 샘플 이력 주행 특징을 포함한다.
가능한 구현에서, 판정 모듈(152)은 구체적으로,
제1 데이터 및 제1 이력 주행 특징 간의 유사도를 판정하고,
유사도에 기반하여, 제1 시간 기간에서 차량이 이상함을 판정하도록 구성된다.
가능한 구현에서, 판정 모듈(152)은 구체적으로,
유사도를 획득하기 위해, 제2 모델을 사용함으로써 제1 데이터 및 제1 이력 주행 특징을 처리하도록 구성된다.
제2 모델은 제2 샘플의 복수의 그룹을 학습함으로써 획득되고, 제2 샘플의 복수의 그룹 각각은 샘플 데이터, 샘플 주행 특징 및 샘플 유사도를 포함하고, 샘플 데이터는 샘플 주행 데이터를 포함한다.
가능한 구현에서, 판정 모듈(152)은 구체적으로,
제2 모델을 사용함으로써, 제1 데이터에 대응하는 제1 데이터 곡선을 판정하고,
유사도를 획득하기 위해 제2 모델을 사용함으로써 제1 데이터 곡선을 제1 이력 주행 특징 내의 이력 데이터 곡선과 비교하도록 구성된다.
가능한 구현에서, 제1 데이터는 시나리오 데이터를 더 포함하고, 시나리오 데이터는 다음 정보 중 적어도 하나를 포함한다:
시간 정보, 위치 정보, 도로 여건 정보, 또는 날씨 정보.
가능한 구현에서, 판정 모듈(152)은 구체적으로,
시나리오 데이터에 기반하여 복수의 이력 주행 특징으로부터 제1 이력 주행 특징을 판정하도록 구성된다.
가능한 구현에서, 주석 모듈(153)은 구체적으로,
이상 정보를 생성하고,
제1 시간 기간에 기반하여 주행 기록 비디오 내에 이상 정보를 주석하도록 구성된다.
가능한 구현에서, 이상 정보는 다음 정보 중 적어도 하나를 포함한다:
이상 레벨, 이상 타입, 또는 이상 서술 정보.
이 출원의 이 실시예에서 도시된 데이터 처리 장치는 전술한 방법 실시예에서 도시된 기술적 해결안을 수행할 수 있음에 유의하여야 한다. 데이터 처리 장치의 구현 원리 및 유익한 효과는 기술적 해결안과 유사하며, 세부사항은 여기에서 다시 기술되지 않는다.
도 16은 이 출원의 실시예에 따른 데이터 처리 장치의 하드웨어 구조의 개략도이다. 도 16에 도시된 바와 같이, 데이터 처리 장치(160)는 프로세서(161) 및 메모리(162)를 포함할 수 있다. 프로세서(161) 및 메모리(162)는 서로 통신할 수 있다. 예를 들어, 프로세서(161) 및 메모리(162)는 통신 버스(163)를 사용함으로써 서로 통신한다. 메모리(162)는 프로그램 명령어를 저장하도록 구성되고, 프로세서(161)는 전술한 방법 실시예 중 임의의 것에 도시된 데이터 처리 방법을 수행하기 위해 메모리 내의 프로그램 명령어를 가동하도록 구성된다.
선택적으로, 프로세서(161)는 도 3 또는 도 11에 도시된 실시예에서의 단계를 수행할 수 있다.
데이터 처리 장치(160)는 송신기 및/또는 수신기를 더 포함할 수 있다.
프로세서는 중앙 처리 유닛(Central Processing Unit, CPU)일 수 있거나 다른 일반 목적 프로세서(general-purpose processor), 디지털 신호 프로세서(Digital Signal Processor, DSP), 애플리케이션 특정 집적 회로(Application-Specific Integrated Circuit, ASIC), 또는 유사한 것일 수 있다. 일반 목적 프로세서는 마이크로프로세서(microprocessor)일 수 있거나, 프로세서는 임의의 종래의 프로세서 또는 유사한 것일 수 있다. 이 출원의 실시예를 참조하여 개시된 방법의 단계는 하드웨어 프로세서에 의해 직접적으로 구현될 수 있거나, 프로세서 내의 하드웨어 및 소프트웨어 모듈의 조합에 의해 구현될 수 있다.
선택적으로, 데이터 처리 장치(160)는 칩, 주행 기록기, 차량, 주행 기록기 내의 컴포넌트, 차량 내의 컴포넌트, 또는 유사한 것일 수 있다.
데이터 처리 장치(160)가 주행 기록기인 경우에, 데이터 처리 장치는 이미지 촬영 디바이스 또는 데이터 수집 디바이스 중 적어도 하나를 더 포함할 수 있다. 선택적으로, 데이터 수집 디바이스는 센서의 형태로 존재할 수 있다. 예를 들어, 데이터 수집 디바이스는, 카메라, 밀리미터파 레이더, 레이저 레이더, 관성 센서, 또는 유사한 것을 포함할 수 있다. 이미지 촬영 디바이스는 주행 기록 비디오를 촬영하도록 구성되고, 데이터 수집 디바이스는 제1 데이터를 획득하도록 구성되고, 메모리는 주행 기록 비디오를 저장하도록 또한 구성될 수 있다. 예를 들어, 데이터 처리 장치(160)의 구조가 도 12a 또는 도 12b로서 도시될 수 있다.
데이터 처리 장치(160)가 차량인 경우에, 데이터 처리 장치는 이미지 촬영 디바이스 또는 데이터 수집 디바이스 중 적어도 하나를 더 포함할 수 있다. 이미지 촬영 디바이스는 주행 기록 비디오를 촬영하도록 구성되고, 데이터 수집 디바이스는 제1 데이터를 획득하도록 구성되고, 메모리는 주행 기록 비디오를 저장하도록 또한 구성될 수 있다. 데이터 수집 디바이스는 센서의 형태로 존재할 수 있다. 예를 들어, 데이터 수집 장치는 카메라, 밀리미터파 레이더, 레이저 레이더, 관성 센서, 또는 유사한 것을 포함할 수 있다. 데이터 수집 디바이스는 또한 제1 주행 데이터를 획득하도록 구성된 차체 상태 시스템일 수 있다. 예를 들어, 데이터 처리 장치의 구조가 도 14a 또는 도 14b로서 도시될 수 있다.
이 출원은 판독가능 저장 매체를 제공하는데, 판독가능 저장 매체는 컴퓨터 프로그램을 저장한다. 컴퓨터 프로그램은 전술한 실시예 중 임의의 것에 따른 데이터 처리 방법을 구현하는 데에 사용된다.
이 출원의 실시예는 컴퓨터 프로그램 제품을 제공한다. 컴퓨터 프로그램 제품은 명령어를 포함하고, 명령어가 실행되는 경우에, 컴퓨터는 전술한 데이터 처리 방법을 수행할 수 있게 된다.
전술한 방법 실시예에서의 단계 중 전부 또는 일부는 프로그램 명령 관련 하드웨어에 의해 구현될 수 있다. 전술한 프로그램은 판독가능 메모리 내에 저장될 수 있다. 프로그램이 실행되는 경우에, 전술한 방법 실시예의 단계가 수행된다. 메모리(저장 매체)는, 판독 전용 메모리(영문: read-only memory, 줄여서 ROM), RAM, 플래시 메모리(flash memory), 하드 디스크 드라이브(hard disk drive), 솔리드 스테이트 드라이브(solid-state drive), 자기 테이프(영문: magnetic tape), 플로피 디스크(영문: floppy disk), 광학 디스크(영문: optical disc) 및 이의 임의의 조합을 포함한다.
이 출원의 실시예는 이 출원의 실시예에 따른 방법, 디바이스(시스템) 및 컴퓨터 프로그램 제품의 흐름도 및/또는 블록도를 참조하여 기술된다. 흐름도 및/또는 블록도 내의 각각의 프로세스 및/또는 각각의 블록, 그리고 흐름도 및/또는 블록도 내의 프로세스 및/또는 블록의 조합을 구현하는 데에 컴퓨터 프로그램 명령어가 사용될 수 있음이 이해되어야 한다. 컴퓨터 프로그램 명령어는 머신(machine)을 생성하기 위해 일반 목적 컴퓨터, 전용 컴퓨터(dedicated computer), 임베디드 프로세서(embedded processor), 또는 다른 프로그램가능 데이터 처리 유닛의 처리 유닛에, 컴퓨터 또는 다른 프로그램가능 데이터 처리 유닛의 처리 유닛에 의해 실행되는 명령어가 흐름도 내의 하나 이상의 프로세스에서 및/또는 블록도 내의 하나 이상의 블록에서 특정 기능을 구현하기 위한 장치를 생성하도록, 제공될 수 있다.
컴퓨터 프로그램 명령어는 대안적으로 특정 방식으로 작동할 것을 컴퓨터 또는 다른 프로그램가능 데이터 처리 디바이스에 지시할 수 있는 컴퓨터 판독가능 메모리 내에 저장될 수 있어서, 컴퓨터 판독가능 메모리 내에 저장된 명령어는 명령 장치를 포함하는 가공품을 생성한다. 명령 장치는 흐름도 내의 하나 이상의 절차에서 및/또는 블록도 내의 하나 이상의 블록에서 특정 기능을 구현한다.
컴퓨터 프로그램 명령어는 대안적으로 컴퓨터 또는 다른 프로그램가능 데이터 처리 디바이스 상으로 로딩될(loaded) 수 있어서, 일련의 동작 및 단계가 컴퓨터 또는 다른 프로그램가능 디바이스 상에서 수행되어, 컴퓨터 구현된 처리(computer-implemented processing)를 생성한다. 따라서, 컴퓨터 또는 다른 프로그램가능 디바이스 상에서 실행되는 명령어는 흐름도 내의 하나 이상의 절차에서 및/또는 블록도 내의 하나 이상의 블록에서 특정 기능을 구현하기 위한 단계를 제공한다.
당업자는 이 출원의 범위로부터 벗어나지 않고서 이 출원의 실시예에 대한 다양한 수정 및 변형을 행할 수 있음이 명백하다. 이 출원은 이들 수정 및 변형을, 이 출원의 실시예의 수정 및 변형이 이하의 청구항 및 이의 균등한 기술에 의해 정의되는 보호의 범위에 속한다면 망라하도록 의도된다.
이 출원에서, 용어 "포함하는" 및 이의 변형은 비한정적인 포함을 지칭할 수 있고; 용어 "또는" 및 이의 변형은 "및/또는"을 지칭할 수 있다. 이 출원에서, "제1", "제2" 등은 유사한 객체 간을 구별하도록 의도되나, 반드시 특정 순서 또는 순차를 지시하지는 않는다. 이 출원에서의 "복수의"는 2개 또는 2개보다 많음을 지칭한다. 용어 "및/또는"은 연관된 객체를 위한 연관 관계를 기술하며 3개의 관계가 존재할 수 있음을 나타낸다. 예를 들어, A 및/또는 B는 다음의 3개의 경우를 나타낼 수 있다: 오직 A가 존재함, A 및 B 양자 모두가 존재함, 그리고 오직 B가 존재함. 문자 "/"는 통상적으로 연관된 객체 간의 "또는" 관계를 지시한다.
Claims (25)
- 데이터 처리 방법으로서,
제1 데이터 및 제1 이력 주행 특징(historical driving feature)을 획득하는 단계 - 상기 제1 데이터는 제1 시간 기간(time period)에서의 차량(vehicle)의 제1 주행 데이터를 포함하고, 상기 제1 이력 주행 특징은 상기 차량의 이력 주행 데이터에 기반하여 판정됨 - 와,
상기 제1 데이터 및 상기 제1 이력 주행 특징에 기반하여, 상기 제1 시간 기간에서 상기 차량이 이상함(abnormal)을 판정하는 단계와,
상기 제1 시간 기간에 기반하여 상기 차량의 주행 기록 비디오(driving record video)를 주석하는(annotating) 단계를 포함하는,
방법. - 제1항에 있어서,
상기 제1 주행 데이터는, 상기 차량 내의 컴포넌트(component)의 상태 데이터(status data), 상기 차량 내의 컴포넌트의 운행 데이터(running data), 또는 상기 차량 내의 컴포넌트에 의해 수집된 센서 데이터(sensor data) 중 적어도 하나를 포함하는,
방법. - 제1항 또는 제2항에 있어서,
상기 제1 이력 주행 특징은 복수의 타입의 이력 주행 데이터에 대응하는 복수의 이력 데이터 곡선을 포함하고, 상기 이력 데이터 곡선은 상기 이력 주행 데이터의 분포 규칙(distribution rule)을 지시하는(indicate) 데에 사용되고, 상기 이력 주행 데이터는, 상기 차량 내의 컴포넌트의 이력 상태 데이터(historical status data), 상기 차량 내의 컴포넌트의 이력 운행 데이터(historical running data), 또는 상기 차량 내의 컴포넌트에 의해 수집된 이력 센서 데이터(historical sensor data) 중 적어도 하나를 포함하는,
방법. - 제1항 내지 제3항 중 어느 한 항에 있어서,
제1 이력 주행 특징을 획득하는 단계는, 상기 제1 이력 주행 특징을 획득하기 위해 제1 모델을 사용함으로써 상기 이력 주행 데이터를 처리하는 단계를 포함하되,
상기 제1 모델은 제1 샘플의 복수의 그룹을 학습함으로써 획득되고, 제1 샘플의 상기 복수의 그룹 각각은 샘플 주행 데이터 및 샘플 이력 주행 특징을 포함하는,
방법. - 제1항 내지 제4항 중 어느 한 항에 있어서,
상기 제1 데이터 및 상기 제1 이력 주행 특징에 기반하여, 상기 제1 시간 기간에서 상기 차량이 이상함을 판정하는 단계는,
상기 제1 데이터 및 상기 제1 이력 주행 특징 간의 유사도(similarity)를 판정하는 단계와,
상기 유사도에 기반하여, 상기 제1 시간 기간에서 상기 차량이 이상함을 판정하는 단계를 포함하는,
방법. - 제5항에 있어서,
상기 제1 데이터 및 상기 제1 이력 주행 특징 간의 유사도를 판정하는 단계는, 상기 유사도를 획득하기 위해 제2 모델을 사용함으로써 상기 제1 데이터 및 상기 제1 이력 주행 특징을 처리하는 단계를 포함하되,
상기 제2 모델은 제2 샘플의 복수의 그룹을 학습함으로써 획득되고, 제2 샘플의 상기 복수의 그룹 각각은 샘플 데이터, 샘플 주행 특징 및 샘플 유사도를 포함하고, 상기 샘플 데이터는 샘플 주행 데이터를 포함하는,
방법. - 제6항에 있어서,
상기 유사도를 획득하기 위해, 제2 모델을 사용함으로써 상기 제1 데이터 및 상기 제1 이력 주행 특징을 처리하는 단계는,
상기 제2 모델을 사용함으로써, 상기 제1 데이터에 대응하는 제1 데이터 곡선을 판정하는 단계와,
상기 유사도를 획득하기 위해 상기 제2 모델을 사용함으로써 상기 제1 데이터 곡선을 상기 제1 이력 주행 특징 내의 이력 데이터 곡선과 비교하는 단계를 포함하는,
방법. - 제1항 내지 제7항 중 어느 한 항에 있어서,
상기 제1 데이터는 시나리오 데이터(scenario data)를 더 포함하고, 상기 시나리오 데이터는, 시간 정보, 위치 정보, 도로 여건 정보, 또는 날씨 정보 중 적어도 하나를 포함하는,
방법. - 제8항에 있어서,
제1 이력 주행 특징을 획득하는 단계는, 상기 시나리오 데이터에 기반하여 복수의 이력 주행 특징으로부터 상기 제1 이력 주행 특징을 판정하는 단계를 포함하는,
방법. - 제1항 내지 제9항 중 어느 한 항에 있어서,
상기 제1 시간 기간에 기반하여 상기 차량의 주행 기록 비디오를 주석하는 단계는,
이상 정보(abnormality information)를 생성하는 단계와,
상기 제1 시간 기간에 기반하여 상기 주행 기록 비디오 내에 상기 이상 정보를 주석하는 단계를 포함하는,
방법. - 제10항에 있어서,
상기 이상 정보는, 이상 레벨(abnormality level), 이상 타입(abnormality type), 또는 이상 서술 정보(abnormality description information) 중 적어도 하나를 포함하는,
방법. - 데이터 처리 장치로서,
획득 모듈(obtaining module)과, 판정 모듈(determining module)과, 주석 모듈(annotation module)을 포함하되,
상기 획득 모듈은 제1 데이터 및 제1 이력 주행 특징을 획득하도록 구성되고, 상기 제1 데이터는 제1 시간 기간에서의 차량의 제1 주행 데이터를 포함하고, 상기 제1 이력 주행 특징은 상기 차량의 이력 주행 데이터에 기반하여 판정되고,
상기 판정 모듈은, 상기 제1 데이터 및 상기 제1 이력 주행 특징에 기반하여, 상기 제1 시간 기간에서 상기 차량이 이상함을 판정하도록 구성되고,
상기 주석 모듈은 상기 제1 시간 기간에 기반하여 상기 차량의 주행 기록 비디오를 주석하도록 구성된,
장치. - 제12항에 있어서,
상기 제1 주행 데이터는, 상기 차량 내의 컴포넌트의 상태 데이터. 상기 차량 내의 컴포넌트의 운행 데이터, 또는 상기 차량 내의 컴포넌트에 의해 수집된 센서 데이터 중 적어도 하나를 포함하는,
장치. - 제12항 또는 제13항에 있어서,
상기 제1 이력 주행 특징은 복수의 타입의 이력 주행 데이터에 대응하는 복수의 이력 데이터 곡선을 포함하고, 상기 이력 데이터 곡선은 상기 이력 주행 데이터의 분포 규칙을 지시하는 데에 사용되고, 상기 이력 주행 데이터는, 상기 차량 내의 컴포넌트의 이력 상태 데이터, 상기 차량 내의 컴포넌트의 이력 운행 데이터, 또는 상기 차량 내의 컴포넌트에 의해 수집된 이력 센서 데이터 중 적어도 하나를 포함하는,
장치. - 제12항 내지 제14항 중 어느 한 항에 있어서,
상기 획득 모듈은 구체적으로, 상기 제1 이력 주행 특징을 획득하기 위해, 제1 모델을 사용함으로써 상기 이력 주행 데이터를 처리하도록 구성되되,
상기 제1 모델은 제1 샘플의 복수의 그룹을 학습함으로써 획득되고, 제1 샘플의 상기 복수의 그룹 각각은 샘플 주행 데이터 및 샘플 이력 주행 특징을 포함하는,
장치. - 제12항 내지 제15항 중 어느 한 항에 있어서,
상기 판정 모듈은 구체적으로,
상기 제1 데이터 및 상기 제1 이력 주행 특징 간의 유사도를 판정하고,
상기 유사도에 기반하여, 상기 제1 시간 기간에서 상기 차량이 이상함을 판정하도록 구성된,
장치. - 제16항에 있어서,
상기 판정 모듈은 구체적으로, 상기 유사도를 획득하기 위해, 제2 모델을 사용함으로써 상기 제1 데이터 및 상기 제1 이력 주행 특징을 처리하도록 구성되되,
상기 제2 모델은 제2 샘플의 복수의 그룹을 학습함으로써 획득되고, 제2 샘플의 상기 복수의 그룹 각각은 샘플 데이터, 샘플 주행 특징 및 샘플 유사도를 포함하고, 상기 샘플 데이터는 샘플 주행 데이터를 포함하는,
장치. - 제17항에 있어서,
상기 판정 모듈은 구체적으로,
상기 제2 모델을 사용함으로써, 상기 제1 데이터에 대응하는 제1 데이터 곡선을 판정하고,
상기 유사도를 획득하기 위해 상기 제2 모델을 사용함으로써 상기 제1 데이터 곡선을 상기 제1 이력 주행 특징 내의 이력 데이터 곡선과 비교하도록 구성된,
장치. - 제12항 내지 제18항 중 어느 한 항에 있어서,
상기 제1 데이터는 시나리오 데이터를 더 포함하고, 상기 시나리오 데이터는, 시간 정보, 위치 정보, 도로 여건 정보, 또는 날씨 정보 중 적어도 하나를 포함하는,
장치. - 제19항에 있어서,
상기 판정 모듈은 구체적으로, 상기 시나리오 데이터에 기반하여 복수의 이력 주행 특징으로부터 상기 제1 이력 주행 특징을 판정하도록 구성된,
장치. - 제12항 내지 제20항 중 어느 한 항에 있어서,
상기 주석 모듈은 구체적으로,
이상 정보를 생성하고,
상기 제1 시간 기간에 기반하여 상기 주행 기록 비디오 내에 상기 이상 정보를 주석하도록 구성된,
장치. - 제21항에 있어서,
상기 이상 정보는, 이상 레벨, 이상 타입, 또는 이상 서술 정보 중 적어도 하나를 포함하는,
장치. - 데이터 처리 장치로서, 상기 데이터 처리 장치는 메모리 및 프로세서를 포함하고, 상기 메모리는 컴퓨터 프로그램 명령어를 저장하고, 상기 프로세서는 제1항 내지 제11항 중 어느 한 항에 따른 방법을 수행하기 위해 상기 컴퓨터 프로그램 명령어를 가동하는, 데이터 처리 장치.
- 컴퓨터 저장 매체로서, 컴퓨터 명령어를 포함하되, 상기 컴퓨터 명령어가 프로세서에 의해 가동되는 경우에, 제1항 내지 제11항 중 어느 한 항에 따른 방법이 구현되는, 컴퓨터 저장 매체.
- 컴퓨터 프로그램 제품으로서, 상기 컴퓨터 프로그램 제품이 프로세서 상에서 가동되는 경우에, 제1항 내지 제11항 중 어느 한 항에 따른 방법이 구현되는, 컴퓨터 프로그램 제품.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/092381 WO2021237465A1 (zh) | 2020-05-26 | 2020-05-26 | 数据处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230014749A true KR20230014749A (ko) | 2023-01-30 |
Family
ID=75017350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020227045056A KR20230014749A (ko) | 2020-05-26 | 2020-05-26 | 데이터 처리 방법, 장치 및 디바이스 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230108895A1 (ko) |
EP (1) | EP4148700A4 (ko) |
JP (1) | JP2023527387A (ko) |
KR (1) | KR20230014749A (ko) |
CN (1) | CN112543937A (ko) |
WO (1) | WO2021237465A1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120633A (zh) * | 2021-11-02 | 2022-03-01 | 吉旗(成都)科技有限公司 | 车辆行程回放方法、装置、服务器及存储介质 |
CN114281446A (zh) * | 2021-11-26 | 2022-04-05 | 上海闪马智能科技有限公司 | 异常事件的显示方法及装置、存储介质、电子装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19939468B4 (de) * | 1999-08-20 | 2014-09-25 | Robert Bosch Gmbh | Verfahren zur Steuerung einer Aufzeichnung eines Unfalldatenrekorders in Kraftfahrzeugen |
JP5664605B2 (ja) * | 2012-07-26 | 2015-02-04 | 株式会社デンソー | ドライブ映像記録装置及びドライブ映像記録システム |
JP6486640B2 (ja) * | 2014-10-09 | 2019-03-20 | 株式会社日立製作所 | 運転特性診断装置、運転特性診断システム、運転特性診断方法、情報出力装置、情報出力方法 |
US9925987B1 (en) * | 2015-12-11 | 2018-03-27 | Lytx, Inc. | Driving abnormality detection |
US10397516B2 (en) * | 2016-04-29 | 2019-08-27 | Ford Global Technologies, Llc | Systems, methods, and devices for synchronization of vehicle data with recorded audio |
CN106504367B (zh) * | 2016-11-02 | 2019-03-22 | 中车青岛四方机车车辆股份有限公司 | 车辆故障预警方法和装置 |
CN108091133B (zh) * | 2017-11-27 | 2020-01-10 | 银江股份有限公司 | 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 |
DE102018205203A1 (de) * | 2018-04-06 | 2019-10-10 | Robert Bosch Gmbh | Datenrekorderanordnung für ein Fahrzeug |
CN108846997A (zh) * | 2018-06-23 | 2018-11-20 | 张譯丹 | 无车承运人辅助安全监控*** |
CN110956800B (zh) * | 2018-09-27 | 2021-07-23 | 杭州海康威视***技术有限公司 | 一种路段交通数据预处理方法、装置及电子设备 |
CN110505423A (zh) * | 2019-08-15 | 2019-11-26 | 杭州鸿晶自动化科技有限公司 | 一种行车记录*** |
CN110807436B (zh) * | 2019-11-07 | 2022-10-18 | 深圳鼎然信息科技有限公司 | 危险驾驶行为识别与危险事件预测方法、装置及存储介质 |
CN110942671B (zh) * | 2019-12-04 | 2022-06-07 | 北京京东乾石科技有限公司 | 车辆危险驾驶检测方法、装置以及存储介质 |
-
2020
- 2020-05-26 CN CN202080004348.1A patent/CN112543937A/zh active Pending
- 2020-05-26 KR KR1020227045056A patent/KR20230014749A/ko active Search and Examination
- 2020-05-26 EP EP20937789.4A patent/EP4148700A4/en active Pending
- 2020-05-26 JP JP2022572680A patent/JP2023527387A/ja active Pending
- 2020-05-26 WO PCT/CN2020/092381 patent/WO2021237465A1/zh unknown
-
2022
- 2022-11-23 US US17/993,609 patent/US20230108895A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2023527387A (ja) | 2023-06-28 |
EP4148700A4 (en) | 2023-03-29 |
WO2021237465A1 (zh) | 2021-12-02 |
US20230108895A1 (en) | 2023-04-06 |
CN112543937A (zh) | 2021-03-23 |
EP4148700A1 (en) | 2023-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230108895A1 (en) | Data processing method and apparatus, and device | |
CN110570538B (zh) | 智能驾驶汽车中黑匣子数据的管理方法、装置和设备 | |
CN106412495B (zh) | 使用大范围移动延时摄影视频的车辆和社交网络 | |
CN108333518B (zh) | 电池健康状况评估 | |
CN105551110A (zh) | 一种行车数据记录方法、装置和*** | |
CA3004047A1 (en) | System and method for communicating a message to a vehicle | |
CN202795035U (zh) | 一种汽车故障监测*** | |
CN111243335B (zh) | 一种自主无人***中的场景描述方法 | |
JP7247790B2 (ja) | 走行環境監視装置、走行環境監視システム、及び走行環境監視プログラム | |
US11046243B2 (en) | Visual speed indication device for motor vehicles and method thereof | |
CN112802227B (zh) | 车辆adas行驶数据的采集方法、装置、人机交互装置及车辆 | |
KR102376122B1 (ko) | 추월 확률 수집부를 생성하는 방법, 자동차의 제어 디바이스를 동작시키는 방법, 추월 확률 수집 디바이스 및 제어 디바이스 | |
CN103489231A (zh) | 行车状况记录装置及行车状况记录方法 | |
CN111231980A (zh) | 用于自动化车辆性能分析的***和方法 | |
CN114640823A (zh) | 一种基于座舱域控制器的紧急视频记录方法 | |
EP4346187A1 (en) | Ota upgrade method and device, and computer-readable storage medium | |
CN107798860A (zh) | 车载实时影像分享***、方法、设备及存储介质 | |
CN108257406B (zh) | 终端、服务器和驾驶数据分享方法 | |
CN115297461B (zh) | 数据交互方法、装置、车辆、可读存储介质及芯片 | |
CN109383417B (zh) | 非标准参数标识符获取装置、***及其方法 | |
US11676402B2 (en) | Information processing method, non-transitory computer readable medium, in-vehicle apparatus, vehicle, information processing apparatus, and information processing system | |
KR20210000914A (ko) | 차량 및 그 제어 방법 | |
US10439427B2 (en) | Determining a fuel quantity to charge a vehicle battery | |
US11032372B1 (en) | Efficient data streaming using a global index | |
CA3181843A1 (en) | Methods and systems for monitoring driving automation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination |