WO2022138991A1 - 자율 주행 차량의 사고 피해 최소화 방법 및 장치 - Google Patents
자율 주행 차량의 사고 피해 최소화 방법 및 장치 Download PDFInfo
- Publication number
- WO2022138991A1 WO2022138991A1 PCT/KR2020/018755 KR2020018755W WO2022138991A1 WO 2022138991 A1 WO2022138991 A1 WO 2022138991A1 KR 2020018755 W KR2020018755 W KR 2020018755W WO 2022138991 A1 WO2022138991 A1 WO 2022138991A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- vehicle
- accident
- occupant
- information
- damage
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
- B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
- B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/02—Occupant safety arrangements or fittings, e.g. crash pads
- B60R21/16—Inflatable occupant restraints or confinements designed to inflate upon impact or impending impact, e.g. air bags
-
- 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
- B60W40/02—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 ambient conditions
-
- 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
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Definitions
- the present invention relates to a method and apparatus for minimizing accident damage of an autonomous vehicle. More specifically, the present invention relates to a method and apparatus capable of minimizing accident damage by considering the condition of an occupant in a vehicle when an accident occurs.
- Autonomous driving means that a vehicle system performs vehicle operation on its own, without partial or complete driver intervention. To implement this, an algorithm that can control various situations or variables is required. Accordingly, a deep learning algorithm with an artificial neural network structure that mimics the human neural network structure that can analyze various features from a lot of data by itself is being applied to autonomous driving.
- An object of the present invention is to provide a method and apparatus for minimizing accident damage of an autonomous vehicle.
- a method for minimizing accident damage in an autonomous driving vehicle comprising: an occupant information acquisition step of acquiring occupant location and occupant status information in the vehicle using sensing information inside the vehicle; an accident scenario deriving step of deriving one or more vehicle accident scenarios by using the driving information of the vehicle and external environment information of the vehicle; determining a best scenario by applying the obtained occupant location and occupant status information to the one or more derived accident scenarios to determine a best scenario in which occupant damage is least predicted among the one or more derived accident scenarios; and providing a control message providing step of providing a control message for driving control and safety device control of the vehicle to a vehicle system according to the determined best scenario.
- the sensing information of the vehicle may include image information obtained from a camera device or a light detection and ranging (LIDAR) device in the vehicle, or seat sensing information obtained from a sensor installed in a seat of the vehicle. It may include at least one or more.
- LIDAR light detection and ranging
- the occupant position and occupant status information in the vehicle may be obtained by providing the sensing information inside the vehicle as input information of a deep learning algorithm.
- the best scenario may be determined by applying the occupant damage prediction model for each situation according to the obtained occupant location and occupant status information to the virtual simulation results of each of the one or more accident scenarios.
- control message may include a message for controlling an autonomous driving course of the vehicle according to the vehicle system and an operation of a safety device including an airbag in the vehicle.
- the accident damage control method of an autonomous driving vehicle according to the present invention may further include an accident occurrence probability calculation step of calculating a probability that an accident will occur in the vehicle using driving information of the vehicle and external environment information of the vehicle have.
- the method for controlling accident damage of an autonomous vehicle according to the present invention includes the above-described occupant information acquisition step, accident scenario deriving step, best scenario determination step, and A step of providing a control message may be performed.
- an apparatus for minimizing accident damage in an autonomous driving vehicle comprising: an occupant information acquisition unit configured to obtain occupant location and occupant status information in the vehicle by using sensing information inside the vehicle; an accident scenario derivation unit for deriving one or more vehicle accident scenarios by using the driving information of the vehicle and external environment information of the vehicle; a best scenario determining unit that applies the obtained occupant location and occupant status information to the one or more derived accident scenarios to determine a best scenario in which occupant damage is least predicted among the one or more derived accident scenarios; and a control message providing unit configured to provide a control message for driving control and safety device control of the vehicle to a vehicle system according to the determined best scenario.
- the sensing information of the vehicle may include image information obtained from a camera device or a light detection and ranging (LIDAR) device in the vehicle, or seat sensing information obtained from a sensor installed in a seat of the vehicle. It may include at least one or more.
- the occupant position and occupant status information in the vehicle may be obtained by providing sensing information inside the vehicle as input information of a deep learning algorithm.
- the best scenario may be determined by applying the occupant damage prediction model for each situation according to the obtained occupant location and occupant status information to the virtual simulation results of each of the one or more accident scenarios.
- a computer program according to another aspect of the present invention for solving the above-described problems may be stored in a computer-readable recording medium in combination with a computer to execute the method for minimizing accident damage of an autonomous vehicle described above.
- 1 is a diagram briefly illustrating the basic concept of an artificial neural network.
- FIG. 2 is a diagram briefly illustrating a method for minimizing accident damage of an autonomous vehicle according to an embodiment of the present invention.
- FIG. 3 is a diagram briefly illustrating a method for minimizing accident damage of an autonomous vehicle according to another example of the present invention.
- FIG. 4 is a diagram illustrating an apparatus for minimizing accident damage of an autonomous vehicle according to the present invention.
- the present invention discloses a method for minimizing accident damage of an autonomous vehicle. More specifically, the present invention discloses a method of minimizing accident damage in the event of an accident in consideration of situation information (eg, location, state information, etc.) of an occupant in a vehicle.
- situation information eg, location, state information, etc.
- the deep learning algorithm is one of the machine learning algorithms and refers to a modeling technique developed from an artificial neural network that mimics a human neural network.
- the artificial neural network may be configured in a multi-layered hierarchical structure as shown in FIG. 1 .
- 1 is a diagram briefly illustrating the basic concept of an artificial neural network.
- an artificial neural network is a layer including an input layer, an output layer, and at least one intermediate layer (or a hidden layer) between the input layer and the output layer.
- the deep learning algorithm can derive reliable results as a result through learning that optimizes the weight of the activation function between layers based on such a multi-layer structure.
- the deep learning algorithm applicable to the present invention may include a deep neural network (DNN), a convolutional neural network (CNN), a recurrent neural network (RNN), and the like.
- DNN deep neural network
- CNN convolutional neural network
- RNN recurrent neural network
- the DNN is basically characterized by increasing the middle layer (or hidden layer) in the existing ANN model to improve the learning result.
- the DNN is characterized in that the learning process is performed using two or more intermediate layers. Accordingly, the computer can derive the optimal output value by repeating the process of creating a classification label by itself, distorting the space, and classifying the data.
- CNN is characterized in that it has a structure in which data features are extracted and patterns of features are identified.
- the CNN may be performed through a convolution process and a pooling process.
- the CNN may include an algorithm in which a convolution layer and a pooling layer are combined.
- a process of extracting features of data (aka, convolution process) is performed.
- the convolution process is a process of examining adjacent components of each component in the data to determine the characteristics and deriving the identified characteristics into a single sheet. As a single compression process, the number of parameters can be effectively reduced.
- pooling process a process of reducing the size of the convolutional layer (so-called pooling process) is performed.
- the pooling process may reduce the size of data, cancel noise, and provide consistent features in minute details.
- the CNN may be used in various fields such as information extraction, sentence classification, and face recognition.
- RNN is a type of artificial neural network specialized for iterative and sequential data learning, and is characterized by having a cyclic structure inside.
- the RNN uses the cyclic structure to apply weights to past learning contents and reflect them in current learning, thereby enabling a connection between current learning and past learning, and being dependent on time.
- the RNN is an algorithm that solves the limitations of the existing continuous, iterative and sequential data learning, and can be used to identify a speech waveform or identify the front and back components of a text.
- situation information eg, location, status information, etc.
- controlling the autonomous vehicle without considering the situation inside the vehicle may cause greater accident damage.
- damage from the accident may be minimized by controlling the autonomous driving vehicle so that the accident impact is applied to the passenger seat position instead of the driver seat.
- the passenger in the front passenger seat may be very dangerous.
- the present invention discloses a method of controlling a vehicle and a safety device (eg, an airbag, etc.) in a vehicle and in-vehicle safety devices (eg, an airbag, etc.) to minimize accident damage to the occupant by synthesizing the position and status information of the occupant in the vehicle at the moment immediately before the accident. .
- a safety device eg, an airbag, etc.
- in-vehicle safety devices eg, an airbag, etc.
- FIG. 2 is a diagram briefly illustrating a method for minimizing accident damage of an autonomous vehicle according to an embodiment of the present invention.
- the method for minimizing accident damage of an autonomous vehicle includes the steps of obtaining occupant information (S210), deriving an accident scenario (S220), determining the best scenario (S230), and providing a control message (S240) may be included.
- the method for minimizing accident damage of an autonomous vehicle according to the present invention is performed by an apparatus for minimizing accident damage of an autonomous vehicle (hereinafter, collectively referred to as an accident damage minimization apparatus for convenience of description).
- the accident damage minimization apparatus may be included in a vehicle system that performs autonomous driving or, conversely, may include the vehicle system.
- the accident damage minimization apparatus may obtain information on the location of the occupant in the vehicle and the status of the occupant by using sensing information inside the vehicle.
- the accident damage minimization apparatus includes a sensing device installed inside a vehicle (eg, a camera device or light detection and ranging (LIDAR) in a vehicle), and a sensor installed in a seat of the vehicle (eg, a weight sensor, a piezoelectric sensor). occupant position and occupant status information in the vehicle using sensing information obtained from the It is possible to obtain information on the shape of the human body skeleton including the direction of the head and body of the occupant corresponding to the seat or the car seat installed on the seat, lying on the seat, etc.).
- the accident damage minimization apparatus may acquire the position of the occupant in the vehicle and the occupant status information according to a deep learning algorithm in which sensing information inside the vehicle is provided as input information.
- the accident damage minimization apparatus may obtain the occupant position and occupant status information by applying image information obtained from an in-vehicle camera device or a lidar device as an input of an artificial neural network.
- the accident damage minimization apparatus may obtain the occupant position and occupant status information by applying seat sensing information obtained from a sensor installed in the seat of the vehicle as an input of an artificial neural network.
- the accident damage minimization device applies all of the image information acquired from the in-vehicle camera device or lidar device and the seat sensing information acquired from a sensor installed in the seat of the vehicle as inputs to the artificial neural network to obtain occupant location and occupant status information. can be obtained.
- the accident damage minimization apparatus may derive one or more vehicle accident scenarios by using separately acquired driving information of the vehicle and external environment information of the vehicle.
- the accident damage minimization device includes a video image acquired through a camera device installed outside the vehicle, separately received external signal information (eg, Global Positioning System (GPS) signal, external broadcast signal, external exclusive signal, etc.) , driving information of the vehicle and external environment information of the vehicle may be obtained by using various information such as system information obtained from the autonomous driving system of the vehicle. Then, the accident damage minimization apparatus may derive one or more vehicle accident scenarios by applying the driving information of the vehicle and the external environment information of the vehicle obtained as described above as inputs to the artificial neural network.
- GPS Global Positioning System
- the first deep learning algorithm for deriving the one or more vehicle accident scenarios is a single deep learning algorithm integrated with the second deep learning algorithm for obtaining the above-described occupant location and occupant status information, Alternatively, it may be a deep learning algorithm distinct from the second deep learning algorithm.
- the accident damage minimization apparatus may perform the above-described first deep learning algorithm and the second deep learning algorithm at the same time or may be performed sequentially.
- the first/second deep learning algorithms may be performed simultaneously.
- step S230 the accident damage minimization apparatus applies the obtained occupant location and occupant status information to one or more accident scenarios derived in step S220, and the best predicting occupant damage among the derived one or more accident scenarios Scenarios can be determined.
- the accident damage minimization apparatus controls the part where the vehicle's damage is expected to be as far apart as possible from the part where the occupant is present in order to minimize the damage to the occupants when an accident occurs, and at the same time minimizes the intensity of the collision due to inertia You need to control it to do that.
- the collision due to inertia may occur between the occupant and the vehicle or between the occupant and other occupants.
- the accident damage minimization apparatus may determine the best scenario in which damage to the vehicle and damage to the occupant due to the collision due to inertia are predicted to be minimal. To this end, the accident damage minimization apparatus may determine the best scenario by applying the occupant damage prediction model for each situation according to the obtained occupant location and occupant status information to the virtual simulation result of each of the one or more accident scenarios.
- the direction and strength of damage and inertia of the vehicle may be determined according to the accident scenario (eg, the speed of the vehicle and the direction of the collision, the type and speed of the accident occurring partner, etc.). Accordingly, based on the location and status information of the occupant in the vehicle, the accident damage is determined according to the direction and size of vehicle damage and inertia according to the accident scenario, the damage to the occupant for each scenario is calculated through pre-simulation and empirical modeling. can be calculated.
- the accident scenario eg, the speed of the vehicle and the direction of the collision, the type and speed of the accident occurring partner, etc.
- the accident damage minimization apparatus may provide a control message for driving control of the vehicle and control of the safety device according to the best scenario determined in step S230 to the vehicle system.
- the vehicle system may control the driving direction of the vehicle to minimize an accident according to the control message and simultaneously control the operation of a safety device (eg, an airbag) in the vehicle.
- a safety device eg, an airbag
- control message according to the present invention may include a message for controlling the autonomous driving course of the vehicle according to the vehicle system and the operation of the safety device including the airbag in the vehicle.
- FIG. 3 is a diagram briefly illustrating a method for minimizing accident damage of an autonomous vehicle according to another example of the present invention.
- the accident damage control method of an autonomous driving vehicle calculates the probability of an accident occurring in the vehicle using driving information of the vehicle and external environment information of the vehicle. It may further include a calculation step (S310).
- the accident damage minimization apparatus obtains the above-described occupant information step (S320), the accident scenario derivation step (S330), the best A scenario determination step (S340) and a control message providing step (S350) may be performed.
- the threshold value eg, P ⁇ P_Th
- the accident damage minimization apparatus may provide a control message for basic mode operation to the vehicle system ( S360 ). Accordingly, the vehicle system operates in the basic mode and can control autonomous driving of the corresponding vehicle without considering the occurrence of an accident.
- a threshold value eg, P ⁇ P_Th
- FIG. 4 is a diagram illustrating an apparatus for minimizing accident damage of an autonomous vehicle according to the present invention.
- the apparatus 400 for minimizing accident damage of an autonomous driving vehicle (hereinafter, collectively referred to as an accident damage minimization device for convenience of description) is included in the autonomous driving control system of the autonomous driving vehicle, or is combined with the autonomous driving control system. It may be implemented as a separate device. As another embodiment, the accident damage minimization apparatus 400 may include the autonomous driving control system. In other words, according to an embodiment, the accident damage minimization apparatus 400 may be implemented as a part of an autonomous driving vehicle system or as a whole system device including the autonomous driving vehicle system.
- the accident damage minimization apparatus 400 includes an occupant information obtaining unit 410 , an accident scenario deriving unit 420 , a best scenario determining unit 430 , and a control message providing unit 440 .
- the occupant information acquisition unit 410 may acquire the occupant's location and occupant status information in the vehicle by using sensing information inside the vehicle.
- the sensing information may include a camera device or a light detection and ranging (LIDAR) device installed inside a vehicle, a sensing device including a sensor (eg, a weight sensor, a piezoelectric sensor, etc.) installed in a seat of the vehicle. can be obtained from
- the sensing information may include at least one of image information acquired from the in-vehicle camera device or lidar device, or seat sensing information acquired from a sensor installed in a seat of the vehicle.
- the sensing device may be included in the accident damage minimization device 400 or implemented as a separate device.
- the occupant information acquisition unit 410 may obtain the occupant position and occupant status information in the vehicle by providing the sensing information inside the vehicle as input information of the deep learning algorithm.
- the accident scenario deriving unit 420 may derive one or more vehicle accident scenarios by using driving information of the vehicle and external environment information of the vehicle. As described above, the accident scenario derivation unit 420 may derive one or more vehicle accident scenarios by applying the driving information of the vehicle and the external environment information of the vehicle obtained according to the various methods described above as inputs to the artificial neural network. have.
- the best scenario determining unit 430 may determine the best scenario in which the occupant damage is predicted to be minimal among the derived one or more accident scenarios by applying the obtained occupant location and occupant status information to the one or more derived accident scenarios. .
- the best scenario determination unit 430 applies the occupant damage prediction model for each situation according to the obtained occupant position and occupant status information to the virtual simulation results of each of the one or more accident scenarios derived above to determine the best scenario. can decide
- the control message providing unit 440 may provide a control message for driving control and safety device control of the vehicle to the vehicle system according to the determined best scenario.
- the control message providing unit 440 may provide a control message for driving control and safety device control of the vehicle to a device/system that controls autonomous driving in the vehicle system and controls operation of a safety device. .
- the vehicle system may control the driving of the vehicle according to the control message and control the operation of the safety device, thereby minimizing accident damage appropriately for each situation.
- the accident damage minimization apparatus 400 may perform the various accident damage minimization methods described above.
- the accident damage minimization device 400 may control each component of the accident damage minimization device 400 according to the various accident damage minimization bar methods.
- the computer program according to the present invention in combination with a computer, may be stored in a computer-readable recording medium in order to execute the above-described method for minimizing accident damage of various autonomous vehicles.
- the above-described program is a computer such as C, C++, JAVA, machine language, etc. that the processor (CPU) of the computer can read through the device interface of the computer in order for the computer to read the program and execute the methods implemented as the program.
- It may include code (Code) coded in the language.
- code may include functional code related to a function defining functions necessary for executing the methods, etc., and includes an execution procedure related control code necessary for the processor of the computer to execute the functions according to a predetermined procedure. can do.
- the code may further include additional information necessary for the processor of the computer to execute the functions or code related to memory reference for which location (address address) in the internal or external memory of the computer to be referenced. have.
- the code uses the communication module of the computer to determine how to communicate with any other computer or server remotely. It may further include a communication-related code for whether to communicate and what information or media to transmit and receive during communication.
- a software module may contain random access memory (RAM), read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, hard disk, removable disk, CD-ROM, or It may reside in any type of computer-readable recording medium well known in the art to which the present invention pertains.
- RAM random access memory
- ROM read only memory
- EPROM erasable programmable ROM
- EEPROM electrically erasable programmable ROM
- flash memory hard disk, removable disk, CD-ROM, or It may reside in any type of computer-readable recording medium well known in the art to which the present invention pertains.
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
자율 주행 차량의 사고 피해 최소화 방법 및 장치가 제공된다. 상기 방법은, 차량 내부의 센싱 정보를 이용하여, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득하는 탑승자 정보 획득 단계; 상기 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여, 하나 이상의 차량 사고 시나리오를 도출하는 사고 시나리오 도출 단계; 상기 도출된 하나 이상의 사고 시나리오에 상기 획득된 탑승자 위치 및 탑승자 상태 정보를 적용하여, 상기 도출된 하나 이상의 사고 시나리오 중 탑승자 피해가 최소로 예측되는 베스트 시나리오를 결정하는 베스트 시나리오 결정 단계; 및 상기 결정된 베스트 시나리오에 따라 상기 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 차량 시스템에 제공하는 제어 메시지 제공 단계를 포함한다.
Description
본 발명은 자율 주행 차량의 사고 피해 최소화 방법 및 장치에 관한 것이다. 보다 구체적으로, 본 발명은 사고 발생 시 차량 내 탑승자의 상태를 고려하여 사고 피해를 최소화할 수 있는 방법 및 장치에 관한 것이다.
자율 주행은 일부 또는 완전한 운전자의 개입 없이 차량 시스템이 자체적으로 차량 운행을 수행하는 것을 의미한다. 이를 구현하기 위해서는 다양한 상황 또는 변수를 제어할 수 있는 알고리즘이 필요하다. 이에, 많은 데이터로부터 다양한 특징을 스스로 분석할 수 있는 인간의 신경망 구조를 본딴 인공 신경망 구조가 적용된 딥러닝 알고리즘이 자율 주행에 적용되고 있다.
다만, 천재지변이나 주변 차량의 오작동, 운전 미숙 등의 불가피한 돌발 상황이 발생할 경우, 딥러닝 알고리즘이 적용된 자율 주행 차량이라고 해도 사고 발생을 회피하기 어려울 수 있다. 특히, 개발되고 있는 많은 자율 주행 기술들은 이러한 사고 발생의 회피 방안만을 고려할 뿐, 사고가 발생할 경우 탑승자의 피해를 최소화할 수 있는 방안까지 포괄하지 못하고 있다. 이로 인해, 실질적인 사고 발생 시 사고 피해를 최소화할 수 있는 자율 주행 기술의 필요성이 대두되고 있다.
본 발명이 해결하고자 하는 과제는 자율 주행 차량의 사고 피해 최소화 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 자율 주행 차량의 사고 피해 최소화 방법은, 차량 내부의 센싱 정보를 이용하여, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득하는 탑승자 정보 획득 단계; 상기 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여, 하나 이상의 차량 사고 시나리오를 도출하는 사고 시나리오 도출 단계; 상기 도출된 하나 이상의 사고 시나리오에 상기 획득된 탑승자 위치 및 탑승자 상태 정보를 적용하여, 상기 도출된 하나 이상의 사고 시나리오 중 탑승자 피해가 최소로 예측되는 베스트 시나리오를 결정하는 베스트 시나리오 결정 단계; 및 상기 결정된 베스트 시나리오에 따라 상기 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 차량 시스템에 제공하는 제어 메시지 제공 단계를 포함한다.
본 발명에 있어, 상기 차량의 센싱 정보는, 상기 차량 내 카메라 장치 또는 라이다 (light detection and ranging; LIDAR) 장치로부터 획득된 이미지 정보, 또는 상기 차량의 시트 내 설치된 센서로부터 획득된 시트 센싱 정보 중 적어도 하나 이상을 포함할 수 있다.
본 발명에 있어, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보는, 상기 차량 내부의 센싱 정보가 딥러닝 알고리즘의 입력 정보로 제공되어 획득될 수 있다.
본 발명에 있어, 상기 베스트 시나리오는, 상기 획득된 탑승자 위치 및 탑승자 상태 정보에 따른 상황 별 탑승자 피해 예측 모델을 상기 도출된 하나 이상의 사고 시나리오 각각의 가상 시뮬레이션 결과에 적용하여 결정될 수 있다.
본 발명에 있어, 상기 제어 메시지는, 상기 차량 시스템에 따른 상기 차량의 자율 주행 코스 및 상기 차량 내 에어백을 포함한 안전 장치의 동작을 제어하는 메시지를 포함할 수 있다.
본 발명에 따른 자율 주행 차량의 사고 피해 제어 방법은, 상기 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여 상기 차량에 대해 사고가 발생할 확률을 산출하는 사고 발생 확률 산출 단계를 더 포함할 수 있다. 이때, 상기 사고 발생 확률 산출 단계에서 산출된 확률 값이 문턱 값 이상인 경우, 본 발명에 따른 자율 주행 차량의 사고 피해 제어 방법은 상술한 탑승자 정보 획득 단계, 사고 시나리오 도출 단계, 베스트 시나리오 결정 단계, 및 제어 메시지 제공 단계를 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 자율 주행 차량의 사고 피해 최소화 장치는, 차량 내부의 센싱 정보를 이용하여, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득하는 탑승자 정보 획득부; 상기 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여, 하나 이상의 차량 사고 시나리오를 도출하는 사고 시나리오 도출부; 상기 도출된 하나 이상의 사고 시나리오에 상기 획득된 탑승자 위치 및 탑승자 상태 정보를 적용하여, 상기 도출된 하나 이상의 사고 시나리오 중 탑승자 피해가 최소로 예측되는 베스트 시나리오를 결정하는 베스트 시나리오 결정부; 및 상기 결정된 베스트 시나리오에 따라 상기 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 차량 시스템에 제공하는 제어 메시지 제공부를 포함한다.
본 발명에 있어, 상기 차량의 센싱 정보는, 상기 차량 내 카메라 장치 또는 라이다 (light detection and ranging; LIDAR) 장치로부터 획득된 이미지 정보, 또는 상기 차량의 시트 내 설치된 센서로부터 획득된 시트 센싱 정보 중 적어도 하나 이상을 포함할 수 있다. 또한, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보는, 상기 차량 내부의 센싱 정보가 딥러닝 알고리즘의 입력 정보로 제공되어 획득될 수 있다.
본 발명에 있어, 상기 베스트 시나리오는, 상기 획득된 탑승자 위치 및 탑승자 상태 정보에 따른 상황 별 탑승자 피해 예측 모델을 상기 도출된 하나 이상의 사고 시나리오 각각의 가상 시뮬레이션 결과에 적용하여 결정될 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 면에 따른 컴퓨터 프로그램은, 컴퓨터와 결합하여, 앞서 상술한 자율 주행 차량의 사고 피해 최소화 방법을 실행시키기 위하여 컴퓨터 판독가능 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따르면, 부득이하게 차량 사고가 발생하더라도 자율 주행 차량 내 탑승한 모든 탑승자들의 사고 피해를 최소화할 수 있다.
또한, 본 발명에 따르면, 사고 발생 시 탑승자의 위치 및 상태에 따라 적응적으로 자율 주행 차량의 주행 및 안전 장치를 제어함으로써 다양한 사고 발생 케이스에서도 자율 주행 차량 내 탑승한 모든 탑승자들의 사고 피해를 최소화할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 인공 신경망의 기본적인 개념을 간단히 나타낸 도면이다.
도 2는 본 발명의 일 예에 따른 자율 주행 차량의 사고 피해 최소화 방법을 간단히 나타낸 도면이다.
도 3은 본 발명의 다른 예에 따른 자율 주행 차량의 사고 피해 최소화 방법을 간단히 나타낸 도면이다.
도 4는 본 발명에 따른 자율 주행 차량의 사고 피해 최소화 장치를 나타낸 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 발명에서는 자율 주행 차량의 사고 피해 최소화 방법을 개시한다. 보다 구체적으로, 본 발명에서는 차량 내 탑승자의 상황 정보 (예: 위치, 상태 정보 등)를 고려하여 사고 발생 시 사고 피해를 최소화하는 방법을 개시한다.
설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
먼저, 딥 러닝 (deep learning) 알고리즘은 머신 러닝 (machine learning) 알고리즘의 하나로 인간의 신경망을 본딴 인공 신경망에서 발전된 모델링 기법을 의미한다. 인공 신경망은 도 1에 도시된 바와 같이 다층 계층 구조로 구성될 수 있다.
도 1은 인공 신경망의 기본적인 개념을 간단히 나타낸 도면이다.
도 1에 도시된 바와 같이, 인공 신경망 (artifical neural network; ANN)은 입력 층, 출력 층, 그리고 상기 입력 층과 출력 층 사이에 적어도 하나 이상의 중간 층 (또는 은닉 층, hidden layer)을 포함하는 계층 구조로 구성될 수 있다. 딥러닝 알고리즘은, 이와 같은 다중 계층 구조에 기반하여, 층간 활성화 함수 (activation function)의 가중치를 최적화 (optimization)하는 학습을 통해 결과적으로 신뢰성 높은 결과를 도출할 수 있다.
본 발명에 적용 가능한 딥러닝 알고리즘은, 심층 신경망 (deep neural network; DNN), 합성곱 신경망 (convolutional neural network; CNN), 순환 신경망 (recurrent neural network; RNN) 등을 포함할 수 있다.
DNN은 기본적으로 기존 ANN 모델 내 중간 층 (또는 은닉 층)을 많이 늘려서 학습의 결과를 향상시키는 것을 특징으로 한다. 일 예로, 상기 DNN은 2개 이상의 중간 층을 이용하여 학습 과정을 수행하는 것을 특징으로 한다. 이에 따라, 컴퓨터는 스스로 분류 레이블을 만들어 내고 공간을 왜곡하고 데이터를 구분짓는 과정을 반복하여 최적의 출력 값을 도출할 수 있다.
CNN은, 기존의 데이터에서 지식을 추출하여 학습 과정이 수행되는 기법과 달리, 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조를 갖는 것을 특징으로 한다. 상기 CNN은 콘볼루션 (convolution) 과정과 풀링 (pooling) 과정을 통해 수행될 수 있다. 다시 말해, 상기 CNN은 콘볼루션 층과 풀링 층이 복합적으로 구성된 알고리즘을 포함할 수 있다. 여기서, 콘볼루션 층에서는 데이터의 특징을 추출하는 과정 (일명, 콘볼루션 과정)이 수행된다. 상기 콘볼루션 과정은 데이터에 각 성분의 인접 성분들을 조사해 특징을 파악하고 파악한 특징을 한장으로 도출하는 과정으로써, 하나의 압축 과정으로써 파라미터의 개수를 효과적으로 줄일 수 있다. 풀링 층에서는 콘볼루션 과정을 거친 레이어의 사이즈를 줄여주는 과정 (일명, 풀링 과정)이 수행된다. 상기 풀링 과정은 데이터의 사이즈를 줄이고 노이즈를 상쇄시키고 미세한 부분에서 일관적인 특징을 제공할 수 있다. 일 예로, 상기 CNN은 정보 추출, 문장 분류, 얼굴 인식 등 여러 분야에 활용될 수 있다.
RNN은 반복적이고 순차적인 데이터 (sequential data) 학습에 특화된 인공 신경망의 한 종류로써 내부에 순환 구조를 갖는 것을 특징으로 한다. 상기 RNN은 상기 순환 구조를 이용하여 과거의 학습 내용에 가중치를 적용하여 현재 학습에 반영함으로써, 현재의 학습과 과거의 학습 간 연결을 가능하게 하고 시간에 종속된다는 특징을 갖는다. 상기 RNN은 기존의 지속적이고 반복적이며 순차적인 데이터 학습의 한계를 해결한 알고리즘으로써, 음성 웨이브폼을 파악하거나 텍스트의 앞 뒤 성분을 파악하는 등에 활용될 수 있다.
다만, 이는 본 발명에 적용 가능한 구체적인 딥러닝 기법의 일 예시들에 불과하며, 실시예에 따라 다른 딥러닝 기법이 본 발명에 적용될 수도 있다.
앞서 상술한 바와 같이, 본 발명에서는 상술한 다양한 딥러닝 알고리즘이 적용되어 자율 주행 차량의 사고 피해를 최소화하는 방법에 대해 상세히 설명한다.
일반적으로, 차량 내부 및 탑승자의 상황 정보 (예: 위치, 상태 정보 등)는 케이스마다 상이하다. 이에, 사고 발생 시 차량 내부의 상황을 고려하지 않고 자율 주행 차량을 제어하는 것은 자칫 더 큰 사고 피해를 야기할 수 있다. 일 예로, 차량 내 운전자만 있는 경우, 사고 충격이 운전석이 아닌 조수석 위치에 가해지도록 자율 주행 차량을 제어함으로써 사고 피해를 최소화할 수 있다. 다만, 차량 내 운전자 및 바로 옆 조수석에 동승자가 함께 있는 경우, 상술한 방법에 따르면 자칫 조수석의 동승자가 매우 위험해질 수 있다.
이에, 본 발명에서는 사고 발생 직전의 순간에 차량 내 탑승자의 위치 및 상태 정보를 종합하여 탑승자의 사고 피해를 최소화할 수 있도록 차량 및 차량 내 안전 장치 (예: 에어백 등)를 제어하는 방법을 개시한다.
도 2는 본 발명의 일 예에 따른 자율 주행 차량의 사고 피해 최소화 방법을 간단히 나타낸 도면이다.
도 2에 도시된 바와 같이, 본 발명에 따른 자율 주행 차량의 사고 피해 최소화 방법은, 탑승자 정보 획득 단계 (S210), 사고 시나리오 도출 단계 (S220), 베스트 시나리오 결정 단계 (S230), 제어 메시지 제공 단계 (S240)를 포함할 수 있다.
이하 설명의 편의 상, 본 발명에 따른 자율 주행 차량의 사고 피해 최소화 방법은 자율 주행 차량의 사고 피해 최소화 장치 (이하, 설명의 편의상 사고 피해 최소화 장치라 통칭함)에 의해 수행된다고 가정한다. 이때, 실시예에 따라, 상기 사고 피해 최소화 장치는 자율 주행을 수행하는 차량 시스템에 포함되거나, 반대로 상기 차량 시스템을 포함할 수 있다.
S210 단계에서, 사고 피해 최소화 장치는, 차량 내부의 센싱 정보를 이용하여, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득할 수 있다. 다시 말해, 상기 사고 피해 최소화 장치는, 차량 내부에 설치된 센싱 장비 (예: 차량 내 카메라 장치 또는 라이다 (light detection and ranging; LIDAR), 차량의 시트 내 설치된 센서 (예: 무게 감지 센서, 압전 센서 등) 등)으로부터 획득되는 센싱 정보를 이용하여 상기 차량 내 탑승자 위치 및 탑승자 상태 정보 (예: 탑승자의 연령 (예: 영유아, 어린이, 청소년, 성인, 노인 등을 구분), 탑승자의 자세 (예: 시트 또는 상기 시트 상에 설치된 카시트에 앉아 있음, 시트 상에 누워 있음 등)에 대응하는 탑승자의 머리와 몸의 방향을 포함한 인체의 스켈레톤 모양 정보 등)를 획득할 수 있다.
본 발명에 적용 가능한 일 예로, 사고 피해 최소화 장치는 차량 내부의 센싱 정보가 입력 정보로 제공된 딥러닝 알고리즘에 따라 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득할 수 있다.
일 예로, 사고 피해 최소화 장치는 차량 내 카메라 장치 또는 라이다 장치로부터 획득된 이미지 정보를 인공 신경망의 입력으로 적용하여 탑승자 위치 및 탑승자 상태 정보를 획득할 수 있다.
다른 예로, 사고 피해 최소화 장치는 차량의 시트 내 설치된 센서로부터 획득된 시트 센싱 정보를 인공 신경망의 입력으로 적용하여 탑승자 위치 및 탑승자 상태 정보를 획득할 수 있다.
또 다른 예로, 사고 피해 최소화 장치는 차량 내 카메라 장치 또는 라이다 장치로부터 획득된 이미지 정보 및 차량의 시트 내 설치된 센서로부터 획득된 시트 센싱 정보를 모두 인공 신경망의 입력으로 적용하여 탑승자 위치 및 탑승자 상태 정보를 획득할 수 있다.
S220 단계에서, 사고 피해 최소화 장치는, 별도로 획득된 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여, 하나 이상의 차량 사고 시나리오를 도출할 수 있다. 이를 위해, 상기 사고 피해 최소화 장치는 상기 차량의 외부에 설치된 카메라 장치를 통해 획득된 영상 이미지, 별도로 수신된 외부 신호 정보 (예: GPS (Global Positioning System) 신호, 외부 방송 신호, 외부 전용 신호 등), 상기 차량의 자율 주행 시스템으로부터 획득된 시스템 정보 등 다양한 정보들을 이용하여 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 획득할 수 있다. 이어, 상기 사고 피해 최소화 장치는 상술한 바와 같이 획득된 차량의 주행 정보 및 차량의 외부 환경 정보를 인공 신경망의 입력으로 적용하여 하나 이상의 차량 사고 시나리오를 도출할 수 있다.
이때, 실시예에 따라, 상기 하나 이상의 차량 사고 시나리오를 도출하기 위한 제1 딥러닝 알고리즘은 상술한 탑승자 위치 및 탑승자 상태 정보를 획득하기 위한 제2 딥러닝 알고리즘과 통합된 단일의 딥러닝 알고리즘이거나, 또는 상기 제2 딥러닝 알고리즘과 구별되는 딥러닝 알고리즘일 수 있다.
또한, 사고 피해 최소화 장치는 상술한 제1 딥러닝 알고리즘와 제2 딥러닝 알고리즘을 동시에 수행할 수도 있고, 또는 순차적으로 수행할 수도 있다. 바람직한 일 예로, 보다 빠른 대응을 위해, 상기 제1/제2 딥러닝 알고리즘은 동시에 수행될 수 있다.
S230 단계에서, 사고 피해 최소화 장치는, S220 단계를 통해 도출된 하나 이상의 사고 시나리오에 상기 획득된 탑승자 위치 및 탑승자 상태 정보를 적용하여, 상기 도출된 하나 이상의 사고 시나리오 중 탑승자 피해가 최소로 예측되는 베스트 시나리오를 결정할 수 있다.
일반적으로, 사고 발생 시 탑승자는 차량의 파손 및 관성에 의한 충돌로 인해 피해를 받을 수 있다. 이에, 본 발명에 따른 사고 피해 최소화 장치는 사고 발생시 탑승자의 피해를 최소화하기 위하여 차량의 파손이 예측되는 부분이 최대한 탑승자가 존재하는 부분으로부터 멀리 이격되도록 제어함과 동시에 관성에 의한 충돌의 세기를 최소화하도록 제어할 필요가 있다. 이때, 관성에 의한 충돌은 탑승자와 차량 또는 탑승자와 다른 탑승자 간에 발생할 수 있다.
이와 같은 사항들을 고려하여, 사고 피해 최소화 장치는 차량의 파손 및 관성에 의한 충돌로 인한 탑승자의 피해가 최소로 예측되는 베스트 시나리오를 결정할 수 있다. 이를 위해, 상기 사고 피해 최소화 장치는, 획득된 탑승자 위치 및 탑승자 상태 정보에 따른 상황 별 탑승자 피해 예측 모델을 도출된 하나 이상의 사고 시나리오 각각의 가상 시뮬레이션 결과에 적용하여 베스트 시나리오를 결정할 수 있다.
보다 구체적으로, 사고 발생시 사고 발생 시나리오 (예: 차량의 속도와 충돌의 방향, 사고 발생 상대의 종류와 속도 등)에 따라 차량의 파손과 관성의 방향 및 세기가 결정될 수 있다. 이에 따라, 차량내 탑승자의 위치 및 상태 정보, 사고 발생 시나리오에 따른 차량의 파손 및 관성의 방향 및 크기에 따라 사고 피해가 결정됨에 기초하여, 각 시나리오 별 탑승자의 피해는 사전 시뮬레이션과 경험적 모델링을 통해 산출될 수 있다.
S240 단계에서, 사고 피해 최소화 장치는 S230 단계를 통해 결정된 베스트 시나리오에 따라 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 차량 시스템에 제공할 수 있다. 상기 제어 메시지를 수신 받은 상기 차량 시스템은 상기 제어 메시지에 따라 사고를 최소화하도록 상기 차량의 주행 방향을 제어함과 동시에 상기 차량 내 안전 장치 (예: 에어백)의 동작을 제어할 수 있다.
이를 위해, 본 발명에 따른 제어 메시지는 차량 시스템에 따른 상기 차량의 자율 주행 코스 및 상기 차량 내 에어백을 포함한 안전 장치의 동작을 제어하는 메시지를 포함할 수 있다.
도 3은 본 발명의 다른 예에 따른 자율 주행 차량의 사고 피해 최소화 방법을 간단히 나타낸 도면이다.
도 3에 도시된 바와 같이, 본 발명에 따른 자율 주행 차량의 사고 피해 제어 방법은, 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여 상기 차량에 대해 사고가 발생할 확률을 산출하는 사고 발생 확률 산출 단계 (S310)를 더 포함할 수 있다.
이때, S310 단계에서 산출된 확률 값이 문턱 값 이상인 경우 (예: P ≥ P_Th), 본 발명에 따른 사고 피해 최소화 장치는 상술한 탑승자 정보 획득 단계 (S320), 사고 시나리오 도출 단계 (S330), 베스트 시나리오 결정 단계 (S340), 및 제어 메시지 제공 단계 (S350)를 수행할 수 있다.
또는, S310 단계에서 산출된 확률 값이 문턱 값 이하인 경우 (예: P < P_Th), 본 발명에 따른 사고 피해 최소화 장치는 기본 모드 동작을 위한 제어 메시지를 차량 시스템에 제공할 수 있다 (S360). 이에 따라, 상기 차량 시스템은 기본 모드로 동작하며 사고 발생을 고려하지 않고 해당 차량의 자율 주행을 제어할 수 있다.
도 4는 본 발명에 따른 자율 주행 차량의 사고 피해 최소화 장치를 나타낸 도면이다.
본 발명의 실시예에 따라, 자율 주행 차량의 사고 피해 최소화 장치 (400, 이하 설명의 편의상 사고 피해 최소화 장치라 통칭함)는 자율 주행 차량의 자율 주행 제어 시스템에 포함되거나 또는 상기 자율 주행 제어 시스템과 별도의 장치로 구현될 수 있다. 다른 실시예로써, 상기 사고 피해 최소화 장치 (400)는 상기 자율 주행 제어 시스템을 포함할 수도 있다. 다시 말해, 실시예에 따라 상기 사고 피해 최소화 장치 (400)는 자율 주행 차량 시스템의 일부 장치로 구현될 수도 있고, 상기 자율 주행 차량 시스템을 포함하는 전체 시스템 장치로 구현될 수도 있다.
이와 같은 사고 피해 최소화 장치 (400)는, 도 4에 도시된 바와 같이, 탑승자 정보 획득부 (410), 사고 시나리오 도출부 (420), 베스트 시나리오 결정부 (430), 제어 메시지 제공부 (440)를 포함할 수 있다.
탑승자 정보 획득부 (410)는, 차량 내부의 센싱 정보를 이용하여, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득할 수 있다. 이때, 상기 센싱 정보는, 차량 내부에 설치된 카메라 장치 또는 라이다 (light detection and ranging; LIDAR) 장치, 상기 차량의 시트 내 설치된 센서 (예: 무게 감지 센서, 압전 센서 등) 등을 포함하는 센싱 장치로부터 획득될 수 있다. 다시 말해, 상기 센싱 정보는, 상기 차량 내 카메라 장치 또는 라이다 장치로부터 획득된 이미지 정보, 또는 상기 차량의 시트 내 설치된 센서로부터 획득된 시트 센싱 정보 중 적어도 하나 이상을 포함할 수 있다. 본 발명의 실시예에 따라, 상기 센싱 장치는 사고 피해 최소화 장치 (400)에 포함되거나 별도의 장치로 구현될 수 있다.
본 발명에 있어, 탑승자 정보 획득부 (410)는 차량 내부의 센싱 정보를 딥러닝 알고리즘의 입력 정보로 제공하여 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득할 수 있다.
사고 시나리오 도출부 (420)는, 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여, 하나 이상의 차량 사고 시나리오를 도출할 수 있다. 앞서 상술한 바와 같이, 상기 사고 시나리오 도출부 (420)는 상술한 다양한 방법에 따라 획득된 차량의 주행 정보 및 차량의 외부 환경 정보를 인공 신경망의 입력으로 적용하여 하나 이상의 차량 사고 시나리오를 도출할 수 있다.
베스트 시나리오 결정부 (430)는, 도출된 하나 이상의 사고 시나리오에 상기 획득된 탑승자 위치 및 탑승자 상태 정보를 적용하여, 상기 도출된 하나 이상의 사고 시나리오 중 탑승자 피해가 최소로 예측되는 베스트 시나리오를 결정할 수 있다.
상술한 바와 같이, 사고 피해는 차량의 파손 및 관성에 의한 충돌에 의해 발생할 수 있다. 이와 같은 사항을 고려하여, 베스트 시나리오 결정부 (430)는 획득된 탑승자 위치 및 탑승자 상태 정보에 따른 상황 별 탑승자 피해 예측 모델을 상기 도출된 하나 이상의 사고 시나리오 각각의 가상 시뮬레이션 결과에 적용하여 베스트 시나리오를 결정할 수 있다.
제어 메시지 제공부 (440)는 결정된 베스트 시나리오에 따라 상기 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 차량 시스템에 제공할 수 있다. 다시 말해, 상기 제어 메시지 제공부 (440)는 상기 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 상기 차량 시스템 내 자율 주행을 제어하고 안전 장치의 작동을 제어하는 장치/시스템에 제공할 수 있다. 이를 통해, 상기 차량 시스템은 상기 제어 메시지에 따라 차량의 주행을 제어하고 안전 장치의 동작을 제어함으로써 각 상황에 적절하게 사고 피해를 최소화할 수 있다.
이외, 본 발명에 따른 사고 피해 최소화 장치 (400)는 앞서 상술한 다양한 사고 피해 최소화 방법을 수행할 수 있다. 이를 위해, 사고 피해 최소화 장치 (400)는 상기 다양한 사고 피해 최소화 바법에 따라 상기 사고 피해 최소화 장치 (400)의 각 구성 요소를 제어할 수 있다.
추가적으로, 본 발명에 따른 컴퓨터 프로그램은, 컴퓨터와 결합하여, 앞서 상술한 다양한 자율 주행 차량의 사고 피해 최소화 방법을 실행시키기 위하여 컴퓨터 판독가능 기록매체에 저장될 수 있다.
전술한 프로그램은, 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
Claims (10)
- 차량 내부의 센싱 정보를 이용하여, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득하는 탑승자 정보 획득 단계;상기 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여, 하나 이상의 차량 사고 시나리오를 도출하는 사고 시나리오 도출 단계;상기 도출된 하나 이상의 사고 시나리오에 상기 획득된 탑승자 위치 및 탑승자 상태 정보를 적용하여, 상기 도출된 하나 이상의 사고 시나리오 중 탑승자 피해가 최소로 예측되는 베스트 시나리오를 결정하는 베스트 시나리오 결정 단계; 및상기 결정된 베스트 시나리오에 따라 상기 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 차량 시스템에 제공하는 제어 메시지 제공 단계를 포함하는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 방법.
- 제 1항에 있어서,상기 차량의 센싱 정보는,상기 차량 내 카메라 장치 또는 라이다 (light detection and ranging; LIDAR) 장치로부터 획득된 이미지 정보, 또는상기 차량의 시트 내 설치된 센서로부터 획득된 시트 센싱 정보 중 적어도 하나 이상을 포함하는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 방법.
- 제 1항에 있어서,상기 차량 내 탑승자 위치 및 탑승자 상태 정보는,상기 차량 내부의 센싱 정보가 딥러닝 알고리즘의 입력 정보로 제공되어 획득되는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 방법.
- 제 1항에 있어서,상기 베스트 시나리오는,상기 획득된 탑승자 위치 및 탑승자 상태 정보에 따른 상황 별 탑승자 피해 예측 모델을 상기 도출된 하나 이상의 사고 시나리오 각각의 가상 시뮬레이션 결과에 적용하여 결정되는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 방법.
- 제 1항에 있어서,상기 제어 메시지는,상기 차량 시스템에 따른 상기 차량의 자율 주행 코스 및 상기 차량 내 에어백을 포함한 안전 장치의 동작을 제어하는 메시지를 포함하는,자율 주행 차량의 사고 피해 최소화 방법.
- 제 1항에 있어서,상기 자율 주행 차량의 사고 피해 제어 방법은,상기 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여 상기 차량에 대해 사고가 발생할 확률을 산출하는 사고 발생 확률 산출 단계를 더 포함하고,상기 사고 발생 확률 산출 단계에서 산출된 확률 값이 문턱 값 이상인 경우, 상기 탑승자 정보 획득 단계, 상기 사고 시나리오 도출 단계, 상기 베스트 시나리오 결정 단계, 및 상기 제어 메시지 제공 단계를 수행하는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 방법.
- 차량 내부의 센싱 정보를 이용하여, 상기 차량 내 탑승자 위치 및 탑승자 상태 정보를 획득하는 탑승자 정보 획득부;상기 차량의 주행 정보 및 상기 차량의 외부 환경 정보를 이용하여, 하나 이상의 차량 사고 시나리오를 도출하는 사고 시나리오 도출부;상기 도출된 하나 이상의 사고 시나리오에 상기 획득된 탑승자 위치 및 탑승자 상태 정보를 적용하여, 상기 도출된 하나 이상의 사고 시나리오 중 탑승자 피해가 최소로 예측되는 베스트 시나리오를 결정하는 베스트 시나리오 결정부; 및상기 결정된 베스트 시나리오에 따라 상기 차량의 주행 제어 및 안전 장치 제어를 위한 제어 메시지를 차량 시스템에 제공하는 제어 메시지 제공부를 포함하는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 장치.
- 제 7항에 있어서,상기 차량의 센싱 정보는,상기 차량 내 카메라 장치 또는 라이다 (light detection and ranging; LIDAR) 장치로부터 획득된 이미지 정보, 또는상기 차량의 시트 내 설치된 센서로부터 획득된 시트 센싱 정보 중 적어도 하나 이상을 포함하고,상기 차량 내 탑승자 위치 및 탑승자 상태 정보는,상기 차량 내부의 센싱 정보가 딥러닝 알고리즘의 입력 정보로 제공되어 획득되는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 장치.
- 제 7항에 있어서,상기 베스트 시나리오는,상기 획득된 탑승자 위치 및 탑승자 상태 정보에 따른 상황 별 탑승자 피해 예측 모델을 상기 도출된 하나 이상의 사고 시나리오 각각의 가상 시뮬레이션 결과에 적용하여 결정되는 것을 특징으로 하는,자율 주행 차량의 사고 피해 최소화 장치.
- 컴퓨터와 결합하여, 제1 항 내지 제 6 항 중 어느 하나의 항의 자율 주행 차량의 사고 피해 최소화 방법을 실행시키기 위하여 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0179153 | 2020-12-21 | ||
KR20200179153 | 2020-12-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022138991A1 true WO2022138991A1 (ko) | 2022-06-30 |
Family
ID=82159871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2020/018755 WO2022138991A1 (ko) | 2020-12-21 | 2020-12-21 | 자율 주행 차량의 사고 피해 최소화 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2022138991A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070228704A1 (en) * | 2006-03-30 | 2007-10-04 | Ford Global Technologies, Llc | Method for Operating a Pre-Crash Sensing System to Deploy Airbags Using Inflation Control |
JP2008024108A (ja) * | 2006-07-19 | 2008-02-07 | Fuji Heavy Ind Ltd | 車両用衝突制御装置 |
JP2016037153A (ja) * | 2014-08-07 | 2016-03-22 | 富士重工業株式会社 | 乗員保護装置 |
KR101766147B1 (ko) * | 2016-06-16 | 2017-08-07 | 현대자동차주식회사 | 능수동 안전 장치를 통합하여 작동하는 방법 |
KR20190095908A (ko) * | 2018-11-21 | 2019-08-16 | 엘지전자 주식회사 | 탑승자 모니터링 방법 및 이를 위한 장치 |
-
2020
- 2020-12-21 WO PCT/KR2020/018755 patent/WO2022138991A1/ko active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070228704A1 (en) * | 2006-03-30 | 2007-10-04 | Ford Global Technologies, Llc | Method for Operating a Pre-Crash Sensing System to Deploy Airbags Using Inflation Control |
JP2008024108A (ja) * | 2006-07-19 | 2008-02-07 | Fuji Heavy Ind Ltd | 車両用衝突制御装置 |
JP2016037153A (ja) * | 2014-08-07 | 2016-03-22 | 富士重工業株式会社 | 乗員保護装置 |
KR101766147B1 (ko) * | 2016-06-16 | 2017-08-07 | 현대자동차주식회사 | 능수동 안전 장치를 통합하여 작동하는 방법 |
KR20190095908A (ko) * | 2018-11-21 | 2019-08-16 | 엘지전자 주식회사 | 탑승자 모니터링 방법 및 이를 위한 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107697070B (zh) | 驾驶行为预测方法和装置、无人车 | |
CN107851195B (zh) | 利用神经网络进行目标检测 | |
US10817751B2 (en) | Learning data creation method, learning method, risk prediction method, learning data creation device, learning device, risk prediction device, and recording medium | |
WO2021182889A2 (ko) | 영상 기반의 안질환 진단 장치 및 방법 | |
CN113723528B (zh) | 车载语视融合多模态交互方法及***、设备、存储介质 | |
CN112183166A (zh) | 确定训练样本的方法、装置和电子设备 | |
WO2022039319A1 (ko) | 개인정보 비식별화 처리 방법, 검증 방법 및 시스템 | |
WO2016208914A1 (ko) | 차량 사고 감지장치 및 이를 이용한 긴급 콜 시스템 | |
KR20220019105A (ko) | 안전벨트 착용 검출 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN114049677B (zh) | 基于驾驶员情绪指数的车辆adas控制方法及*** | |
CN108449571A (zh) | 一种车内监控方法及设备 | |
CN114973209A (zh) | 识别驾驶员情绪的方法、装置、设备、介质和车辆 | |
KR20210072504A (ko) | 뉴럴 네트워크 시스템 및 이의 동작 방법 | |
EP3992906A1 (en) | Information processing method and information processing system | |
WO2022138991A1 (ko) | 자율 주행 차량의 사고 피해 최소화 방법 및 장치 | |
US11315349B2 (en) | Method, apparatus and device for identifying passenger state in unmanned vehicle, and storage medium | |
WO2022139009A1 (ko) | 자율 주행을 위한 딥러닝 알고리즘 설정 방법 및 장치 | |
WO2022211140A1 (ko) | 차량운전 상태정보를 이용한 에지 딥러닝 기반의 차량 안전운전 시스템 | |
CN110263664A (zh) | 一种多乘员车道违章识别方法及装置 | |
CN113393643B (zh) | 异常行为预警方法、装置、车载终端以及介质 | |
WO2021251554A1 (ko) | 개인화된 안전운전 보조 방법 및 시스템 | |
CN110956143A (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
WO2022164165A1 (ko) | 카메라 영상을 이용한 딥러닝 기술 기반 전방 보행자의 자세 예측 및 이를 활용한 충돌 위험도 추정 기술 | |
WO2023063649A1 (ko) | 딥러닝 기반 객체 분류를 이용한 운전자 행동 검출 장치 | |
WO2023277219A1 (ko) | 환경 변화 적응형 특징 생성기를 적용한 차량용 경량 딥러닝 처리 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20967063 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 18/10/2023) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20967063 Country of ref document: EP Kind code of ref document: A1 |