KR20200095362A - 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법 및 장치 - Google Patents

주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR20200095362A
KR20200095362A KR1020200001728A KR20200001728A KR20200095362A KR 20200095362 A KR20200095362 A KR 20200095362A KR 1020200001728 A KR1020200001728 A KR 1020200001728A KR 20200001728 A KR20200001728 A KR 20200001728A KR 20200095362 A KR20200095362 A KR 20200095362A
Authority
KR
South Korea
Prior art keywords
specific
driving
event
learning
driving scenario
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
KR1020200001728A
Other languages
English (en)
Other versions
KR102237873B1 (ko
Inventor
김계현
김용중
김학경
남운현
부석훈
성명철
신동수
여동훈
유우주
이명춘
이형수
장태웅
정경중
제홍모
조호진
Original Assignee
주식회사 스트라드비젼
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 스트라드비젼 filed Critical 주식회사 스트라드비젼
Publication of KR20200095362A publication Critical patent/KR20200095362A/ko
Application granted granted Critical
Publication of KR102237873B1 publication Critical patent/KR102237873B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—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
    • 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
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
    • 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
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B60W2420/42—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Image Analysis (AREA)
  • Combustion & Propulsion (AREA)

Abstract

주행 도중 발생하는 주행 이벤트를 검출함으로써 상기 주행 이벤트 중 적어도 일부를 포함하는 주행 시나리오를 검출하기 위한 학습 방법이 개시된다. 상기 방법은, (a) 학습 장치가, 특정 주행 이벤트 각각에 대한 각 정보를 특정 순서대로 특정 성분으로서 포함하는 특정 열거(enumerated) 이벤트 벡터가 획득되면, RNN(Recurrent Neural Network)으로 하여금, 상기 특정 열거 이벤트 벡터의 상기 특정 성분에 상기 특정 순서대로 RNN 연산을 가함으로써, 상기 특정 주행 이벤트를 포함하는 특정 예측 주행 시나리오를 검출하도록 하는 단계; 및 (b) 상기 학습 장치가, 로스 모듈로 하여금, 상기 특정 예측 주행 시나리오 및 기획득된 특정 GT(ground-truth) 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션(BPTT; Backpropagation Through Time)을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습하는 단계;를 포함한다.

Description

주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법 및 장치{METHOD AND DEVICE FOR PROVIDING INFORMATION FOR EVALUATING DRIVING HABITS OF DRIVER BY DETECTING DRIVING SCENARIOS OCCURRING DURING DRIVING}
본 발명은 자율 주행 차량에 이용하기 위한 방법 및 장치에 관한 것으로; 보다 상세하게는, 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법 및 장치에 관한 것이다.
자동차는 그 질량이 크고, 그 속도가 빠른 바 운동 에너지가 커, 안전하게 주행되는 것이 매우 중요하다. 하지만 대부분의 운전자들은, 자신의 편의만을 위해 위험하게 운전하고 있는 것이 사실이다. 또한, 운전자들은 자기 자신의 주행 습관이 위험한지 또는 위법한지 여부를 판단할 잣대가 없어, 자기 자신의 주행 습관을 고치기도 어려운 실정이다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
또한 본 발명은 주행 도중 발생하는 주행 시나리오를 검출하는 방법을 제공하는 것을 다른 목적으로 한다.
또한 본 발명은 상기 검출된 주행 시나리오를 이용하여 운전자의 주행 습관을 평가하는 방법을 제공하는 것을 또 다른 목적으로 한다.
또한 본 발명은 상기 주행 습관을 평가하는 방법을 제공함으로써, 상기 운전자가 주행 습관을 분석하고 이를 개선하도록 하는 것을 또 다른 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 주행 도중 발생하는 주행 이벤트를 검출함으로써 상기 주행 이벤트 중 적어도 일부를 포함하는 주행 시나리오를 검출하기 위한 학습 방법에 있어서, (a) 학습 장치가, 특정 주행 이벤트 각각에 대한 각 정보를 특정 순서대로 특정 성분으로서 포함하는 적어도 하나의 특정 열거(enumerated) 이벤트 벡터가 획득되면, RNN(Recurrent Neural Network)으로 하여금, 상기 특정 열거 이벤트 벡터의 상기 특정 성분에 상기 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 특정 예측 주행 시나리오를 검출하도록 하는 단계; 및 (b) 상기 학습 장치가, 로스 모듈로 하여금, 상기 특정 예측 주행 시나리오 및 기획득된 특정 GT(ground-truth) 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션(BPTT; Backpropagation Through Time)을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습하는 단계;를 포함하는 것을 특징으로 하는 방법이 제공된다.
일 실시예에서, 상기 (a) 단계 이전에, (a0) (i) 주행 시나리오 생성 장치가, 상기 특정 주행 이벤트를 포함하는 각각의 주행 이벤트에 대응하는 각각의 그래픽 객체를 디스플레이 장치를 통해 제공하는 프로세스, (ii) 상기 특정 주행 이벤트에 대응하는 특정 그래픽 객체가 이용자에 의해 상기 특정 순서대로 선택되면, 상기 주행 시나리오 생성 장치가, 상기 선택된 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하는 프로세스, (iii) 상기 주행 시나리오 생성 장치가, 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (iv) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 주행 시나리오 생성 장치와 연동하는 상기 학습 장치가 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 단계;를 더 포함한다.
일 실시예에서, 상기 주행 시나리오 생성 장치는, 상기 특정 주행 이벤트가 상기 주행 이벤트 중에서 선택되면, 상기 특정 주행 이벤트 중 적어도 하나에 적어도 하나의 변조 연산을 적용하고, 상기 변조 연산이 적용된 상태의 상기 특정 주행 이벤트를 이용하여 적어도 하나의 변조 특정 열거 이벤트 벡터 및 적어도 하나의 변조 특정 GT 주행 시나리오를 더 생성한다.
일 실시예에서, 상기 (a) 단계 이전에, (a1) (i) 주행 시나리오 생성 장치가, GAN(Generative Adversarial Network)으로 하여금 적어도 하나의 GAN 연산을 수행하도록 하여, (i-1) 상기 주행 이벤트 중에서 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하며, (i-2) 상기 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하고, (i-3) 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (ii) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 주행 시나리오 생성 장치와 연동하는 상기 학습 장치가 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 단계;를 더 포함한다.
일 실시예에서, 상기 주행 시나리오 생성 장치가, 상기 GAN에 포함된 기학습된 생성 네트워크로 하여금, 상기 GAN 연산의 적어도 일부인 적어도 하나의 생성 연산을 수행하도록 함으로써, 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하여 상기 특정 열거 이벤트 벡터를 생성한다.
일 실시예에서, 상기 GAN은, (i) 상기 생성 네트워크로 하여금, 각각의 학습용 제1 순서의 학습용 제1 주행 이벤트의 제1 그룹 각각에 대응하는 학습용 제1 열거 이벤트 벡터 각각을 생성하도록 하고, (ii) 판별 네트워크로 하여금, 상기 학습용 제1 열거 이벤트 벡터와 관리자에 의해 생성된 학습용 제2 열거 이벤트 벡터 중 적어도 하나인, 상기 판별 네트워크에 입력된 적어도 하나의 이벤트 벡터가 상기 관리자에 의해 생성된 것인지 또는 상기 생성 네트워크에 의해 생성된 것인지에 대한 확률을 나타내는 예측 식별 점수를 생성하도록 하고, (iii) 상기 예측 식별 점수 및 GT 식별 점수를 참조하여 GAN 로스를 생성하며, (iv) 상기 GAN 로스를 사용하여 백프로퍼게이션(backpropagation)을 수행함으로써 상기 판별 네트워크 및 상기 생성 네트워크에 포함된 파라미터 중 적어도 일부를 학습한 상태이다.
일 실시예에서, 상기 (a) 단계 이전에, (a3) 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 기설정된 검증 규칙을 만족시키는 경우, 주행 시나리오 생성 장치와 연동하는 상기 학습 장치가, 상기 주행 시나리오 생성 장치를 통해 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 단계;를 더 포함한다.
일 실시예에서, 과거의 특정 시간 범위 동안 기설정된 횟수만큼 운전자에 의해 위반된 하나 이상의 특정 도로 규칙에 대응하는 상기 검증 규칙은 상기 관리자에 의해 상기 주행 시나리오 생성 장치에 입력되고, 상기 주행 시나리오 생성 장치는 상기 검증 규칙을 참조하여, 상기 특정 도로 규칙을 준수하거나 위반하는 하나 이상의 상황이 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오에 반영되어 있는 경우, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 상기 검증 규칙을 만족시키는 것으로 결정한다.
일 실시예에서, 상기 학습 장치가, 상기 RNN으로 하여금 (i) LSTM(Long-Short Term Memory) 기법 및 (ii) GRU(Gated Recurrent Unit) 기법 중에서 선택된 기법을 이용하여 상기 RNN 연산을 수행하도록 한다.
본 발명의 다른 태양에 따르면, 주행 도중 발생하는 주행 시나리오를 검출함으로써 대상 운전자의 주행 습관을 평가하는 테스팅 방법에 있어서, (a) (1) 학습 장치가, 학습용 특정 주행 이벤트 각각에 대한 각 정보를 학습용 특정 순서대로 학습용 특정 성분으로서 포함하는 적어도 하나의 학습용 특정 열거 이벤트 벡터가 획득되면, RNN으로 하여금, 상기 학습용 특정 열거 이벤트 벡터의 상기 학습용 특정 성분에 상기 학습용 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 학습용 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 학습용 특정 예측 주행 시나리오를 검출하도록 하고, (2) 상기 학습 장치가, 로스 모듈로 하여금, 상기 학습용 특정 예측 주행 시나리오 및 기획득된 특정 GT 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션(BPTT)을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습한 상태에서, 대상 차량과 연동하는 테스팅 장치가, 하나 이상의 테스트용 주행 이벤트가 검출되면, 상기 RNN으로 하여금, 상기 테스트용 주행 이벤트 각각에 대한 각 정보에 상기 RNN 연산을 차례대로 가함으로써, 상기 테스트용 주행 이벤트 중 적어도 일부를 포함하는 하나 이상의 테스트용 예측 주행 시나리오를 검출하도록 하는 단계; 및 (b) 상기 테스팅 장치가 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 상기 대상 차량의 상기 대상 운전자의 상기 주행 습관을 평가하기 위해 이용될 평가 정보를 생성하도록 하는 단계;를 포함하는 것을 특징으로 하는 테스팅 방법이 제공된다.
일 실시예에서, 상기 (a) 단계에서, 상기 테스팅 장치가, 이벤트 검출 모듈로 하여금, 상기 대상 차량에 탑재된, (i) 전자 제어 유닛(ECU) 및 (ii) 외부 환경 모니터링 유닛 중 적어도 하나와 연동하여, 주행 중에 상기 대상 차량의 내부 및 외부에서 일어나는 상기 테스트용 주행 이벤트를 검출하도록 한다.
일 실시예에서, 상기 테스팅 장치가 상기 이벤트 검출 모듈로 하여금, 상기 ECU와 연동하여, 방향 정보, 속도 정보, 방향 지시등 정보 및 비상등 정보 중 적어도 일부를 포함하는 내부 동작 정보 중 적어도 일부를 획득함으로써 상기 테스트용 주행 이벤트 중 적어도 일부를 검출하도록 한다.
일 실시예에서, 상기 테스팅 장치가 상기 이벤트 검출 모듈로 하여금, 상기 외부 환경 모니터링 유닛의, 외부 카메라 및 V2X(vehicle-to-everthing) 통신 모듈 중 적어도 하나와 연동하여, 상기 대상 차량으로부터 제1 임계 거리 이하에 위치한 신호등의 표시 정보, 상기 대상 차량으로부터 제2 임계 거리 이하에 위치한 주변 차량의 주변 운동 정보 및 상기 대상 차량이 위치한 차로에 대한 차로 정보 중 적어도 일부를 포함하는 외부 환경 정보 중 적어도 일부를 획득함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 검출한다.
일 실시예에서, 상기 (b) 단계에서, 상기 테스팅 장치가 상기 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 획득된, 상기 대상 운전자가 도로 규칙을 위반한 횟수 및 빈도 중 적어도 하나에 대해 통계적 분석 연산을 수행하도록 하고, 상기 통계적 분석 연산의 결과를 포함하는 상기 평가 정보를 생성하도록 한다.
본 발명의 또 다른 태양에 따르면, 주행 도중 발생하는 주행 이벤트를 검출함으로써 상기 주행 이벤트 중 적어도 일부를 포함하는 주행 시나리오를 검출하기 위한 학습 장치에 있어서, 인스트럭션을 저장하는 적어도 하나의 메모리; 및 (I) 특정 주행 이벤트 각각에 대한 각 정보를 특정 순서대로 특정 성분으로서 포함하는 적어도 하나의 특정 열거 이벤트 벡터가 획득되면, RNN으로 하여금, 상기 특정 열거 이벤트 벡터의 상기 특정 성분에 상기 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 특정 예측 주행 시나리오를 검출하도록 하는 프로세스 및 (II) 로스 모듈로 하여금, 상기 특정 예측 주행 시나리오 및 기획득된 특정 GT 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션(BPTT)을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 학습 장치가 제공된다.
일 실시예에서, 상기 (I) 프로세스 이전에, 상기 프로세서가, (I1) (i) 주행 시나리오 생성 장치가, 상기 특정 주행 이벤트를 포함하는 각각의 주행 이벤트에 대응하는 각각의 그래픽 객체를 디스플레이 장치를 통해 제공하는 프로세스, (ii) 상기 특정 주행 이벤트에 대응하는 특정 그래픽 객체가 이용자에 의해 상기 특정 순서대로 선택되면, 상기 주행 시나리오 생성 장치가, 상기 선택된 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하는 프로세스, (iii) 상기 주행 시나리오 생성 장치가, 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (iv) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 프로세스를 더 수행한다.
일 실시예에서, 상기 주행 시나리오 생성 장치는, 상기 특정 주행 이벤트가 상기 주행 이벤트 중에서 선택되면, 상기 특정 주행 이벤트 중 적어도 하나에 적어도 하나의 변조 연산을 적용하고, 상기 변조 연산이 적용된 상태의 상기 특정 주행 이벤트를 이용하여 적어도 하나의 변조 특정 열거 이벤트 벡터 및 적어도 하나의 변조 특정 GT 주행 시나리오를 더 생성한다.
일 실시예에서, 상기 (I) 프로세스 이전에, 상기 프로세서가, (I2) (i) 상기 학습 장치와 연동하는 주행 시나리오 생성 장치가, GAN으로 하여금 적어도 하나의 GAN 연산을 수행하도록 하여, (i-1) 상기 주행 이벤트 중에서 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하며, (i-2) 상기 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하고, (i-3) 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (ii) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 프로세스를 더 수행한다.
일 실시예에서, 상기 주행 시나리오 생성 장치가, 상기 GAN에 포함된 기학습된 생성 네트워크로 하여금, 상기 GAN 연산의 적어도 일부인 적어도 하나의 생성 연산을 수행하도록 함으로써, 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하여 상기 특정 열거 이벤트 벡터를 생성한다.
일 실시예에서, 상기 GAN은, (i) 상기 생성 네트워크로 하여금, 각각의 학습용 제1 순서의 학습용 제1 주행 이벤트의 제1 그룹 각각에 대응하는 학습용 제1 열거 이벤트 벡터 각각을 생성하도록 하고, (ii) 판별 네트워크로 하여금, 상기 학습용 제1 열거 이벤트 벡터와 관리자에 의해 생성된 학습용 제2 열거 이벤트 벡터 중 적어도 하나인, 상기 판별 네트워크에 입력된 적어도 하나의 이벤트 벡터가 상기 관리자에 의해 생성된 것인지 또는 상기 생성 네트워크에 의해 생성된 것인지에 대한 확률을 나타내는 예측 식별 점수를 생성하도록 하고, (iii) 상기 예측 식별 점수 및 GT 식별 점수를 참조하여 GAN 로스를 생성하며, (iv) 상기 GAN 로스를 사용하여 백프로퍼게이션을 수행함으로써 상기 판별 네트워크 및 상기 생성 네트워크에 포함된 파라미터 중 적어도 일부를 학습한 상태이다.
일 실시예에서, 상기 (I) 프로세스 이전에, 상기 프로세서가, (I3) 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 기설정된 검증 규칙을 만족시키는 경우, 상기 학습 장치와 연동하는 주행 시나리오 생성 장치를 통해 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 프로세스를 더 수행한다.
일 실시예에서, 과거의 특정 시간 범위 동안 기설정된 횟수만큼 운전자에 의해 위반된 하나 이상의 특정 도로 규칙에 대응하는 상기 검증 규칙은 상기 관리자에 의해 상기 주행 시나리오 생성 장치에 입력되고, 상기 주행 시나리오 생성 장치는 상기 검증 규칙을 참조하여, 상기 특정 도로 규칙을 준수하거나 위반하는 하나 이상의 상황이 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오에 반영되어 있는 경우, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 상기 검증 규칙을 만족시키는 것으로 결정한다.
일 실시예에서, 상기 프로세서가, 상기 RNN으로 하여금 (i) LSTM(Long-Short Term Memory) 기법 및 (ii) GRU(Gated Recurrent Unit) 기법 중에서 선택된 기법을 이용하여 상기 RNN 연산을 수행하도록 한다.
본 발명의 또 다른 태양에 따르면, 주행 도중 발생하는 주행 시나리오를 검출함으로써 대상 운전자의 주행 습관을 평가하는 테스팅 장치에 있어서, 인스트럭션을 저장하는 적어도 하나의 메모리; 및 (I) (1) 학습 장치가, 학습용 특정 주행 이벤트 각각에 대한 각 정보를 학습용 특정 순서대로 학습용 특정 성분으로서 포함하는 적어도 하나의 학습용 특정 열거 이벤트 벡터가 획득되면, RNN으로 하여금, 상기 학습용 특정 열거 이벤트 벡터의 상기 학습용 특정 성분에 상기 학습용 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 학습용 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 학습용 특정 예측 주행 시나리오를 검출하도록 하고, (2) 상기 학습 장치가, 로스 모듈로 하여금, 상기 학습용 특정 예측 주행 시나리오 및 기획득된 특정 GT 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션(BPTT)을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습한 상태에서, 하나 이상의 테스트용 주행 이벤트가 검출되면, 상기 RNN으로 하여금, 상기 테스트용 주행 이벤트 각각에 대한 각 정보에 상기 RNN 연산을 차례대로 가함으로써, 상기 테스트용 주행 이벤트 중 적어도 일부를 포함하는 하나 이상의 테스트용 예측 주행 시나리오를 검출하도록 하는 프로세스; 및 (II) 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여, 상기 테스팅 장치와 연동되는 대상 차량의 상기 대상 운전자의 상기 주행 습관을 평가하기 위해 이용될 평가 정보를 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 테스팅 장치가 제공된다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서가, 이벤트 검출 모듈로 하여금, 상기 대상 차량에 탑재된, (i) 전자 제어 유닛(ECU) 및 (ii) 외부 환경 모니터링 유닛 중 적어도 하나와 연동하여, 주행 중에 상기 대상 차량의 내부 및 외부에서 일어나는 상기 테스트용 주행 이벤트를 검출하도록 한다.
일 실시예에서, 상기 프로세서가 상기 이벤트 검출 모듈로 하여금, 상기 ECU와 연동하여, 방향 정보, 속도 정보, 방향 지시등 정보 및 비상등 정보 중 적어도 일부를 포함하는 내부 동작 정보 중 적어도 일부를 획득함으로써 상기 테스트용 주행 이벤트 중 적어도 일부를 검출하도록 한다.
일 실시예에서, 상기 프로세서가 상기 이벤트 검출 모듈로 하여금, 상기 외부 환경 모니터링 유닛의, 외부 카메라 및 V2X 통신 모듈 중 적어도 하나와 연동하여, 상기 대상 차량으로부터 제1 임계 거리 이하에 위치한 신호등의 표시 정보, 상기 대상 차량으로부터 제2 임계 거리 이하에 위치한 주변 차량의 주변 운동 정보 및 상기 대상 차량이 위치한 차로에 대한 차로 정보 중 적어도 일부를 포함하는 외부 환경 정보 중 적어도 일부를 획득함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 검출한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가 상기 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 획득된, 상기 대상 운전자가 도로 규칙을 위반한 횟수 및 빈도 중 적어도 하나에 대해 통계적 분석 연산을 수행하도록 하고, 상기 통계적 분석 연산의 결과를 포함하는 상기 평가 정보를 생성하도록 한다.
이 외에도, 본 발명의 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명은 주행 도중 발생하는 주행 시나리오를 검출하는 방법을 제공할 수 있는 효과가 있다.
또한 본 발명은 상기 검출된 주행 시나리오를 통해 운전자의 주행 습관을 평가하는 방법을 제공할 수 있는 효과가 있다.
또한 본 발명은 상기 주행 습관을 평가하는 방법을 제공함으로써, 상기 운전자가 주행 습관을 분석하고, 이를 개선하도록 할 수 있는 효과가 있다.
본 발명의 상기 및 다른 목적 및 특징은 다음의 첨부 도면과 함께 주어진 바람직한 실시예들의 설명에서 명백해질 것이다.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자(이하 "통상의 기술자")에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은, 본 발명의 일 실시예에 따른, 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법을 수행하기 위해 이용될, 학습 장치 및 주행 시나리오 생성 장치의 구성을 개략적으로 나타낸 도면이다.
도 2는, 본 발명의 일 실시예에 따른, 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법의 흐름을 개략적으로 나타낸 도면이다.
도 3은, 본 발명의 일 실시예에 따른, 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법을 수행하기 위해 사용될 특정 주행 이벤트가 사용자에 의해 선택될 수 있는 방법의 일 예시를 개략적으로 나타낸 도면이다.
도 4는, 본 발명의 일 실시예에 따른, 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법을 수행하기 위해 사용될 특정 주행 이벤트가 GAN(Generative Adversarial Network)에 의해 선택되는 과정의 일 예시를 개략적으로 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, "포함하다"라는 단어 및 그것의 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에서 언급하는 각종 이미지는 포장 또는 비포장 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니며, 본 발명에서 언급하는 각종 이미지는 도로와 상관 없는 이미지(가령, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체,기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은, 본 발명의 일 실시예에 따른, 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법을 수행하기 위해 이용될, 학습 장치 및 주행 시나리오 생성 장치의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 상기 학습 장치(100)는, 추후 자세히 설명할 적어도 하나의 RNN(Recurrent Neural Network)(130) 및 적어도 하나의 로스 모듈(140)을 포함할 수 있다. 상기 RNN(130) 및 상기 로스 모듈(140)의 입출력 및 연산 과정은 각각 적어도 하나의 통신부(110) 및 적어도 하나의 프로세서(120)에 의해 이루어질 수 있다. 다만 도 1에서는 상기 통신부(110) 및 상기 프로세서(120)의 구체적인 연결 관계를 생략하였다. 이 때, 메모리(115)는 후술할 여러 가지 인스트럭션들을 저장한 상태일 수 있고, 상기 프로세서(120)는 상기 메모리(115)에 저장된 상기 인스트럭션들을 실행하도록 설정되되, 상기 프로세서(120)는 추후 설명할 상기 인스트럭션들을 실행함으로써 본 발명의 프로세스들을 수행할 수 있다. 이와 같이 학습 장치(100)가 묘사되었다고 하여, 상기 학습 장치(100)가 본 발명을 실시하기 위한 프로세서, 메모리, 매체(medium) 또는 기타 컴퓨팅 구성요소가 통합된 형태인 통합 프로세서를 포함하는 경우를 배제하는 것은 아니다.
또한, 이와 같은 학습 장치(100)는, 주행 시나리오 생성 장치(200)와 연동하여 동작할 수 있다. 상기 주행 시나리오 생성 장치(200)는, 사용자에 의해 하나 이상의 특정 주행 이벤트가 선택되는 프로세스를 수행하기 위해 사용될 디스플레이 장치(210)를 포함할 수 있으며, 인공지능(AI)에 의해 상기 특정 주행 이벤트가 선택되는 프로세스를 수행하기 위해 사용될 GAN(Generative Adversarial Network)(220)를 포함할 수 있다. 또한, 상기 주행 시나리오 생성 장치(200)는 상기 학습 장치(100)와 마찬가지로 적어도 하나의 통신부, 적어도 하나의 메모리 및 적어도 하나의 프로세서를 포함할 수 있으나, 도 1에서는 생략된 것이다.
이때, 상기 주행 시나리오 생성 장치(200)는, 상기 학습 장치(100)와 분리된 컴퓨팅 장치에서 구현되는 것으로 도 1에 표시되어 있고, 본 발명의 상기 방법에 대한 이후의 설명 역시, 상기 주행 시나리오 생성 장치(200)와 상기 학습 장치(100) 사이의 이러한 관계의 가정 하에서 이루어질 것이나, 동일한 단일 컴퓨팅 장치에서 구현될 수도 있다. 이와 같은 구현 방식의 실시예는, 통상의 기술자가 아래의 설명을 참조하여 용이하게 도출할 수 있을 것이다. 따라서, 이와 같은 실시예 또한 본 발명의 범위에 포함됨을 알 수 있다.
이하, 상기 학습 장치(100) 및 상기 주행 시나리오 생성 장치(200)을 사용하여, 상기 주행 도중 발생하는 상기 주행 시나리오를 검출하여 상기 운전자의 상기 주행 습관을 평가하기 위한 정보를 제공하는 방법을 수행할 수 있는 과정에 대해 도 2를 참조로 하여 개괄적으로 설명하도록 한다.
도 2를 참조하면, 상기 학습 장치(100)는, 상기 주행 시나리오 생성 장치(200)에 의해 생성된 적어도 하나의 특정 열거(enumerated) 이벤트 벡터가 획득되면, 상기 RNN(130)으로 하여금, 상기 특정 열거 이벤트 벡터에 하나 이상의 RNN 연산을 가함으로써 적어도 하나의 특정 예측 주행 시나리오를 검출하도록 할 수 있다(S01). 이후, 상기 학습 장치(100)는, 상기 로스 모듈(140)로 하여금, 상기 특정 예측 주행 시나리오 및 특정 GT(ground-truth) 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고(S02), 이를 이용해 시계열 백프로퍼게이션(BPTT; backpropagation through time)을 수행함으로써 상기 RNN(130)의 파라미터 중 적어도 일부를 학습하도록 할 수 있다(S03). 본 발명의 방법에 대한 개괄적인 구성은 상기와 같이 설명될 수 있고, 이하에서 더욱 구체적으로 설명하도록 한다.
먼저, 상기 학습 장치(100)에 의한 위와 같은 프로세스가 수행되기 전에, 상기 특정 열거 주행 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 상기 주행 시나리오 생성 장치(200)로부터 획득되어야 한다. 상기 특정 GT 주행 시나리오는, 특정 순서대로 상기 특정 주행 이벤트에 대응하는 특정 식별자일 수 있고, 상기 특정 열거 이벤트 벡터는, 상기 특정 주행 이벤트 각각에 대응하는 각 정보를 특정 순서대로 포함하는 순열일 수 있다. 이 때, 상기 특정 주행 이벤트는 주행 이벤트 중에서 선택될 수 있는데, 선택 과정의 두 가지 실시예를 이하 설명하도록 한다.
제1 실시예로서, 상기 주행 시나리오 생성 장치(200)는, 상기 디스플레이 장치(210)를 통해, 상기 특정 주행 이벤트를 포함하는 각각의 주행 이벤트에 대응하는 각각의 그래픽 객체들을 제공할 수 있다. 상기 그래픽 객체가 상기 사용자에게 제공될 때, 상기 사용자는 특정 그래픽 객체를 상기 특정 순서로 선택할 수 있다. 이후, 상기 주행 시나리오 생성 장치(200)는, 상기 선택된 특정 주행 이벤트 각각에 대한 각 상기 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하는 프로세스, 및 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스를 수행하고, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치(100)에 전달할 수 있다. 이때, 상기 특정 열거 이벤트 벡터를 생성하기 위해, 상기 특정 주행 이벤트는 상기 특정 순서대로 특정 성분으로서 상기 특정 열거 이벤트 벡터에 포함될 수 있다. 이와 같이 특정 주행 이벤트가 선택되는 과정의 일 예시를 살피기 위해 도 3을 참조하도록 한다.
도 3은, 본 발명의 일 실시예에 따른, 상기 주행 도중 발생하는 상기 주행 시나리오를 검출하여 상기 운전자의 주행 습관을 평가하기 위한 상기 정보를 제공하는 방법을 수행하기 위해 사용될 특정 주행 이벤트가 사용자에 의해 선택되는 방법을 개략적으로 도시한 것이다.
도 3을 참조하면, 도로 상황 카테고리의 제1 그래픽 객체, 차량 상황 카테고리의 제2 그래픽 객체, 및 외부 객체 상황 카테고리의 제3 그래픽 객체가 디스플레이 장치(210) 상에 제공됨을 확인할 수 있다. 상기 제1 그래픽 객체, 상기 제2 그래픽 객체 및 상기 제3 그래픽 객체를 포함하는 그래픽 객체 중에서, 상기 사용자에 의해 상기 특정 순서대로 특정 그래픽 객체가 선택될 수 있고, 상기 주행 시나리오 생성 장치(200)는, 상기 특정 그래픽 객체에 대응하는 상기 특정 주행 이벤트에 대한 정보를 상기 특정 순서로 획득할 수 있다.
이와 같이 상기 특정 주행 이벤트를 선택하는 상기 제1 실시예에 대한 추가적인 실시예에 대하여 이하 살펴본다. 이때, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오는 상기 학습 장치(100)를 학습시키기 위해 이용될 트레이닝 데이터이고, 상기 트레이닝 데이터는 다양한 상황을 반영할수록 좋다. 그러므로 상기 추가적인 실시예는, 다양한 상황이 반영된, 적어도 하나의 변조 특정 열거 이벤트 벡터 및 적어도 하나의 변조 특정 GT 주행 시나리오를 생성하기 위해, 선택된 특정 주행 이벤트를 변조시키는 방법에 관한 것일 수 있다.
특히, 상기 주행 시나리오 생성 장치(200)는, 상기 특정 주행 이벤트가 상기 주행 이벤트 중에서 선택되면, 상기 특정 주행 이벤트 중 적어도 하나에 적어도 하나의 변조 연산을 적용하고, 상기 변조 연산이 적용된 상태의 상기 특정 주행 이벤트를 이용하여 적어도 하나의 변조 특정 열거 이벤트 벡터 및 적어도 하나의 변조 특정 GT 주행 시나리오를 더 생성할 수 있다.
예를 들어, 상기 사용자가 (i) 차로 변경 불가를 나타내는, 좌측의 특정 차선 검출, (ii) 좌측 방향 지시등 점등 및 (iii) 좌측으로 차로 변경에 대응하는 상기 특정 주행 이벤트를 선택한 경우라면, 상기 주행 시나리오 생성 장치(200)는, 상기 특정 주행 이벤트를 (i) 우측의 상기 특정 차선 검출, (ii) 우측 방향 지시등 점등 및 (iii) 우측으로 차로 변경으로서 변조시킬 수 있고, 상기 변조 특정 주행 이벤트에 대응하는, 상기 변조 특정 주행 시나리오 및 상기 변조 특정 열거 이벤트 벡터를 생성할 수 있다. 다른 예로, 상기 사용자가 (i) 전방 10m에 위치한 정지선 검출과 (ii) 임계치 초과의 속도 감지에 대응하는 상기 특정 주행 이벤트를 선택한 경우라면, 상기 주행 시나리오 생성 모듈(200)은, 정지선이 10m보다 더 멀거나 또는 가까이 존재하는 경우에 대응하는, 상기 변조 특정 주행 시나리오 및 상기 변조 특정 열거 이벤트 벡터를 생성할 수 있을 것이다.
제2 실시예로서, 인공 지능을 이용하여 상기 특정 주행 이벤트가 선택될 수 있다.
즉, 상기 주행 시나리오 생성 장치(200)가, 상기 GAN(220)으로 하여금 적어도 하나의 GAN 연산을 수행하도록 하여 상기 특정 주행 이벤트를 상기 특정 순서대로 선택함으로써, 상기 특정 주행 이벤트 각각에 대한 각 상기 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하며, 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성할 수 있다. 이때, 상기 특정 열거 이벤트 벡터를 생성하기 위해, 상기 특정 주행 이벤트가 상기 특정 순서대로 특정 성분으로서 상기 특정 열거 이벤트 벡터에 포함될 수 있다. 그 후, 상기 주행 시나리오 생성 장치(200)가 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치(100)에 전달할 수 있다. 이때, 상기 GAN(220)은 상기 GAN 연산을 수행하기 이전에 학습이 완료된 상태일 수 있다. 상기 GAN(220)의 구조 및 학습 과정에 대해 더욱 구체적으로 설명하기 위해 도 4를 참조하도록 한다.
도 4는, 본 발명의 일 실시예에 따른, 상기 주행 도중 발생하는 상기 주행 시나리오를 검출하여 상기 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법을 수행하기 위해 사용될 특정 주행 이벤트가 GAN(Generative Adversarial Network)이 선택되는 과정의 일 예시를 개략적으로 나타낸 도면이다.
도 4를 참조로 하면, 상기 GAN(220)은 생성 네트워크(221) 및 판별 네트워크(222)를 포함할 수 있다. 이때, 상기 GAN(220)은, 상기 생성 네트워크(221)로 하여금, 각각의 학습용 제1 순서의 학습용 제1 주행 이벤트의 제1 그룹 각각에 대응하는 학습용 제1 열거 이벤트 벡터 각각을 생성하도록 할 수 있다. 그 후, 상기 GAN(220)은 상기 판별 네트워크(222)로 하여금, 상기 학습용 제1 열거 이벤트 벡터와 관리자에 의해 생성된 학습용 제2 열거 이벤트 벡터 중 적어도 하나인, 상기 판별 네트워크에 입력된 적어도 하나의 열거 이벤트가 상기 관리자에 의해 생성된 것인지 또는 상기 생성 네트워크에 의해 생성된 것인지에 대한 확률을 나타내는 예측 식별 점수를 생성하도록 한다. 그리고, 상기 GAN(220)은, 상기 예측 식별 점수 및 GT 식별 점수를 참조하여 GAN 로스를 생성하며, 상기 GAN 로스를 사용하여 백프로퍼게이션을 수행함으로써 상기 판별 네트워크(222) 및 상기 생성 네트워크(221)에 포함된 파라미터 중 적어도 일부를 학습할 수 있다.
즉, 상기 판별 네트워크(222)는, 자신에게 입력된 열거 이벤트 벡터가 사람에 의해 생성된 것인지 인공지능에 의해 생성된 것인지 여부를 더욱 더 정확하게 판단할 있도록 학습되고, 상기 생성 네트워크(221)는 상기 판별 네트워크(222)를 더욱 더 잘 속일 수 있도록 학습될 수 있다. 그 결과, 상기 생성 네트워크(221)가 더욱 더 사람처럼, 상기 특정 열거 이벤트 벡터를 포함하는 열거 이벤트 벡터를 생성할 수 있게 되는 것이다.
이와 같이 학습이 완료된 상기 생성 네트워크(221)는, 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하여 상기 특정 열거 이벤트 벡터를 생성할 수 있을 것이다.
이때, 상기 제1 실시예 및 상기 제2 실시예는 상기 주행 시나리오 생성 장치(200)에 동시에 구현되어, GUI(graphical user interface)를 통해 상기 사용자에 의해 선택될 수 있다.
또한, 상기 시나리오 생성 장치(200)는, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 기설정된 검증 규칙을 만족하는 경우에, 이를 상기 학습 장치(100)에 전달할 수 있다. 이하 상기 검증 규칙에 대해 설명하도록 한다.
상기 검증 규칙은, 과거의 특정 시간 범위, 예를 들어 최근 1년 간, 기설정된 횟수만큼 운전자들에 의해 위반된 하나 이상의 특정 도로 규칙에 대응하는 것일 수 있다. 이와 같은 검증 규칙은 상기 관리자에 의해 상기 주행 시나리오 생성 장치(200)에 입력될 수 있으며, 상기 주행 시나리오 생성 장치(200)는, 이를 이용해 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오에 상기 특정 도로 규칙을 준수 또는 위반하는 하나 이상의 상황이 반영된 것인지 여부를 판단하고, 이와 같은 상황을 반영한 경우에 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 상기 검증 규칙을 만족하는 것으로 판단할 수 있다.
예를 들어, 최근의 과거 시간동안 운전자들에 의해 위반된 상기 특정 도로 규칙이, (i) 터널 내에서는 차로를 변경하지 말아야 한다는 규칙 및 (ii) 근처 도로 표지판에 써 있는 시점에만 유턴을 해야 한다는 규칙의, 두 가지 규칙으로 가정하자. 이 때, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가, (i) 및 (ii)의 상기 특정 도로 규칙과 관련이 없는 경우, 상기 검증 규칙을 만족하지 못한 것으로 볼 수 있다. 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 상기 도로 규칙과 관련이 있는지 또는 없는지는, 상기 특정 주행 이벤트에, 상기 도로 규칙에 대응하는 검증 주행 드라이빙 이벤트가 포함되어 있는지 또는 포함되어 있지 않은지 여부를 판단함으로써 판단될 수 있을 것이다.
상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 획득된 후, 상기 학습 장치(100)는, 상기 RNN(130)으로 하여금, 상기 특정 열거 이벤트 벡터의 상기 특정 성분에, 상기 특정 순서대로 하나 이상의 RNN 연산을 가하도록 할 수 있다.
여기서, 상기 RNN(130)은, (i) LTSM(Long-Short Term Memory) 기법 및 (ii) GRU(Gated Recurrent Unit) 기법 중 하나를 이용하여 상기 RNN 연산을 수행하도록 학습될 수 있다. 상기 LSTM 기법은, 입력 게이트, 망각 게이트 및 출력 게이트를 포함하는 하나의 RNN 셀이 단기 상태 벡터 및 장기 상태 벡터를 생성하도록 이용될 수 있는 기법이다. 상기 GRU 기법은, 업데이트 게이트 및 리셋 게이트를 포함하는 하나의 RNN 셀이 상태 벡터를 생성하도록 이용될 수 있는 기법이다. 이와 같은 상기 LSTM 기법 및 상기 GRU 기법이 본 발명의 상기 RNN(130)을 구현하는 데에 사용될 수 있을 것인데, 널리 알려진 종래 기술이므로 더욱 자세한 설명은 생략하도록 한다.
이후, 상기 학습 장치(100)는, 상기 로스 모듈(140)로 하여금, 상기 특정 예측 주행 시나리오 및 상기 특정 GT 주행 시나리오를 참조로 하여 상기 RNN 로스를 생성하도록 할 수 있다. 상기 RNN 로스를 생성하기 위해, 널리 알려진 종래 기술인 크로스 엔트로피 알고리즘(cross-entropy algorithm)이 사용될 수 있다. 더욱 구체적으로는, 상기 특정 예측 주행 시나리오는, 주행 시나리오가 상기 특정 열거 이벤트 벡터에 그 성분으로서 포함될 확률을 포함하는 벡터일 수 있다. 그리고, 상기 특정 GT 주행 시나리오는, 주행 시나리오가 상기 특정 열거 이벤트 벡터에 그 성분으로서 존재하지 않는 것을 나타내는 0 및 주행 시나리오가 상기 특정 열거 이벤트 벡터에 그 성분으로서 존재하는 것을 나타내는 1을 포함하는 원 핫 인코딩(one-hot encoding) 벡터일 수 있다. 벡터 형태의 상기 특정 예측 주행 시나리오 및 원 핫 인코딩 벡터 형태의 상기 특정 GT 주행 시나리오를 이용하여, 상기 크로스 엔트로피 알고리즘이, 상기 RNN 로스를 생성하도록 수행될 수 있다. 크로스 엔트로피 알고리즘은 널리 알려진 종래 기술이므로, 이에 대한 더 구체적인 설명은 생략하도록 한다.
상기 RNN 로스가 생성된 후, 상기 학습 장치(100)가, 상기 로스 모듈(140)로 하여금, 상기 RNN 로스를 사용하여 시계열 백프로퍼게이션(BPTT)을 수행함으로써 상기 RNN(130)의 파라미터 중 적어도 일부를 학습하도록 할 수 있다.
이상의 과정을 거쳐 상기 RNN(130)의 학습이 완료될 수 있을 것이다. 이하 본 발명의 테스팅 방법에 대해 설명하도록 한다. 상기 테스팅 방법을 수행하는 테스팅 장치는, 상기 학습 장치(100)의 구성에서 상기 로스 모듈(140)이 제외되고, 대신 평가 모듈 및 이벤트 검출 모듈을 포함할 수 있다.
특히, (1) 상기 학습 장치(100)가, 학습용 특정 주행 이벤트 각각에 대한 각 정보를 학습용 특정 순서대로 학습용 특정 성분으로서 포함하는 적어도 하나의 학습용 특정 열거 이벤트 벡터가 획득되면, 상기 RNN(130)으로 하여금, 상기 학습용 특정 열거 이벤트 벡터의 상기 학습용 특정 성분에 상기 학습용 특정 순서대로 상기 RNN 연산을 가함으로써, 상기 학습용 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 학습용 특정 예측 주행 시나리오를 검출하도록 하고, (2) 상기 학습 장치(100)가, 상기 로스 모듈(140)로 하여금, 상기 학습용 특정 예측 주행 시나리오 및 기획득된 상기 특정 GT 주행 시나리오를 참조하여 상기 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습한 상태에서, 대상 차량과 연동하는 테스팅 장치가, 하나 이상의 테스트용 주행 이벤트가 검출되면, 상기 RNN(130)으로 하여금, 상기 테스트용 주행 이벤트 각각에 대한 각 정보에 상기 RNN 연산을 차례대로 가함으로써, 상기 테스트용 주행 이벤트 중 적어도 일부를 포함하는 하나 이상의 테스트용 예측 주행 시나리오를 검출할 수 있다.
이후, 상기 테스팅 장치는 상기 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 상기 대상 차량의 대상 운전자의 주행 습관을 평가하기 위해 이용될 평가 정보를 생성하도록 할 수 있다.
이때, 주행 중에 상기 대상 차량의 내부 및 외부에서 일어나는 상기 테스트용 주행 이벤트가 상기 이벤트 검출 모듈에 의해 검출될 수 있다. 즉, 상기 테스팅 장치가, 상기 이벤트 검출 모듈로 하여금, 상기 대상 차량에 탑재된, 전자 제어 유닛(ECU) 및 외부 환경 모니터링 유닛 중 적어도 하나와 연동하여 상기 테스트용 상기 주행 이벤트를 검출할 수 있다.
구체적으로, 상기 테스팅 장치가 상기 이벤트 검출 모듈로 하여금, 상기 ECU와 연동하여, 방향 정보, 속도 정보, 방향 지시등 정보 및 비상등 정보 중 적어도 일부를 포함하는 내부 동작 정보 중 적어도 일부를 획득함으로써, 상기 테스트용 주행 이벤트 중 적어도 일부를 검출할 수 있을 것이다. 상기 ECU는 상기 대상 차량을 제어하는 것인 바, 상기 ECU와 연동함으로써 상기 내부 동작 정보가 획득될 수 있을 것이다. 구체적인 획득 과정은 종래 기술에 해당되는 바 자세한 설명은 생략하도록 한다.
또한, 상기 테스팅 장치가 상기 이벤트 검출 모듈로 하여금, 상기 외부 환경 모니터링 유닛과 연동하여, 상기 대상 차량으로부터 제1 임계 거리 이하에 위치한 신호등의 표시 정보, 상기 대상 차량으로부터 제2 임계 거리 이하에 위치한 주변 차량의 주변 운동 정보 및 상기 대상 차량이 위치한 차로에 대한 차로 정보 중 적어도 일부를 포함하는 외부 환경 정보 중 적어도 일부를 획득하도록 할 수 있다. 이때, 상기 외부 환경 모니터링 유닛은 외부 카메라 및 V2X(vehicle-to-everything) 통신 모듈을 포함할 수 있다. 일 예로, 상기 표시 정보 및 상기 차로 정보는, 상기 외부 카메라를 통해 획득된 주행 이미지에 이미지 프로세싱 연산을 가하여 획득될 수 있다. 다른 예로, 상기 표시 정보, 상기 주변 운동 정보 및 상기 차로 정보는, 서버 혹은 상기 주변 차량과 통신하는 상기 V2X 통신 모듈을 이용하여 획득될 수 있다.
상기 테스트용 주행 이벤트가 획득된 후, 상기 테스팅 장치는, 학습이 완료된 상기 RNN(130)으로 하여금, 상기 테스트용 주행 이벤트 각각에 대한 각 정보에 차례대로 상기 RNN 연산을 가하여 상기 테스트용 예측 주행 시나리오를 검출하도록 할 수 있다. 예를 들어, (i) 우측의 상기 특정 차로 검출, (ii) 우측 방향 지시등 점등 및 (iii) 좌측으로 차로 변경에 대응하는 상기 테스트용 주행 이벤트가 검출되면, 상기 RNN(130)은 차로 변경 규칙 위반에 대응하는 상기 테스트용 예측 주행 시나리오를 검출할 수 있다.
그 후, 상기 테스팅 장치가 상기 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 획득된, 상기 대상 운전자가 도로 규칙을 위반한 횟수 및 빈도 중 적어도 하나에 대해 통계적 분석 연산을 수행하도록 하고, 상기 통계적 분석 연산의 결과를 포함하는 상기 평가 정보를 생성하도록 할 수 있다. 예를 들어, 상기 평가 정보는, 상기 대상 운전자가 얼마나 자주 상기 도로 규칙을 위반하는 지와 상기 대상 운전자가 상기 도로 규칙을 위반하지 않고 평균적으로 얼마나 멀리 상기 대상 차량을 주행하는지에 대한 통계적 분석 결과를 포함할 수 있다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (28)

  1. 주행 도중 발생하는 주행 이벤트를 검출함으로써 상기 주행 이벤트 중 적어도 일부를 포함하는 주행 시나리오를 검출하기 위한 학습 방법에 있어서,
    (a) 학습 장치가, 특정 주행 이벤트 각각에 대한 각 정보를 특정 순서대로 특정 성분으로서 포함하는 적어도 하나의 특정 열거(enumerated) 이벤트 벡터가 획득되면, RNN(Recurrent Neural Network)으로 하여금, 상기 특정 열거 이벤트 벡터의 상기 특정 성분에 상기 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 특정 예측 주행 시나리오를 검출하도록 하는 단계; 및
    (b) 상기 학습 장치가, 로스 모듈로 하여금, 상기 특정 예측 주행 시나리오 및 기획득된 특정 GT(ground-truth) 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션(BPTT; Backpropagation Through Time)을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    상기 (a) 단계 이전에,
    (a0) (i) 주행 시나리오 생성 장치가, 상기 특정 주행 이벤트를 포함하는 각각의 주행 이벤트에 대응하는 각각의 그래픽 객체를 디스플레이 장치를 통해 제공하는 프로세스, (ii) 상기 특정 주행 이벤트에 대응하는 특정 그래픽 객체가 이용자에 의해 상기 특정 순서대로 선택되면, 상기 주행 시나리오 생성 장치가, 상기 선택된 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하는 프로세스, (iii) 상기 주행 시나리오 생성 장치가, 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (iv) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 주행 시나리오 생성 장치와 연동하는 상기 학습 장치가 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  3. 제 2항에 있어서,
    상기 주행 시나리오 생성 장치는, 상기 특정 주행 이벤트가 상기 주행 이벤트 중에서 선택되면, 상기 특정 주행 이벤트 중 적어도 하나에 적어도 하나의 변조 연산을 적용하고, 상기 변조 연산이 적용된 상태의 상기 특정 주행 이벤트를 이용하여 적어도 하나의 변조 특정 열거 이벤트 벡터 및 적어도 하나의 변조 특정 GT 주행 시나리오를 더 생성하는 것을 특징으로 하는 방법.
  4. 제 1항에 있어서,
    상기 (a) 단계 이전에,
    (a1) (i) 주행 시나리오 생성 장치가, GAN(Generative Adversarial Network)으로 하여금 적어도 하나의 GAN 연산을 수행하도록 하여, (i-1) 상기 주행 이벤트 중에서 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하며, (i-2) 상기 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하고, (i-3) 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (ii) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 주행 시나리오 생성 장치와 연동하는 상기 학습 장치가 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  5. 제 4항에 있어서,
    상기 주행 시나리오 생성 장치가, 상기 GAN에 포함된 기학습된 생성 네트워크로 하여금, 상기 GAN 연산의 적어도 일부인 적어도 하나의 생성 연산을 수행하도록 함으로써, 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하여 상기 특정 열거 이벤트 벡터를 생성하는 것을 특징으로 하는 방법.
  6. 제 5항에 있어서,
    상기 GAN은, (i) 상기 생성 네트워크로 하여금, 각각의 학습용 제1 순서의 학습용 제1 주행 이벤트의 제1 그룹 각각에 대응하는 학습용 제1 열거 이벤트 벡터 각각을 생성하도록 하고, (ii) 판별 네트워크로 하여금, 상기 학습용 제1 열거 이벤트 벡터와 관리자에 의해 생성된 학습용 제2 열거 이벤트 벡터 중 적어도 하나인, 상기 판별 네트워크에 입력된 적어도 하나의 이벤트 벡터가 상기 관리자에 의해 생성된 것인지 또는 상기 생성 네트워크에 의해 생성된 것인지에 대한 확률을 나타내는 예측 식별 점수를 생성하도록 하고, (iii) 상기 예측 식별 점수 및 GT 식별 점수를 참조하여 GAN 로스를 생성하며, (iv) 상기 GAN 로스를 사용하여 백프로퍼게이션(backpropagation)을 수행함으로써 상기 판별 네트워크 및 상기 생성 네트워크에 포함된 파라미터 중 적어도 일부를 학습한 상태인 것을 특징으로 하는 방법.
  7. 제 1항에 있어서,
    상기 (a) 단계 이전에,
    (a3) 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 기설정된 검증 규칙을 만족시키는 경우, 주행 시나리오 생성 장치와 연동하는 상기 학습 장치가, 상기 주행 시나리오 생성 장치를 통해 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  8. 제 7항에 있어서,
    과거의 특정 시간 범위 동안 기설정된 횟수만큼 운전자에 의해 위반된 하나 이상의 특정 도로 규칙에 대응하는 상기 검증 규칙은 상기 관리자에 의해 상기 주행 시나리오 생성 장치에 입력되고,
    상기 주행 시나리오 생성 장치는 상기 검증 규칙을 참조하여, 상기 특정 도로 규칙을 준수하거나 위반하는 하나 이상의 상황이 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오에 반영되어 있는 경우, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 상기 검증 규칙을 만족시키는 것으로 결정하는 것을 특징으로 하는 방법.
  9. 제 1항에 있어서,
    상기 학습 장치가, 상기 RNN으로 하여금 (i) LSTM(Long-Short Term Memory) 기법 및 (ii) GRU(Gated Recurrent Unit) 기법 중에서 선택된 기법을 이용하여 상기 RNN 연산을 수행하도록 하는 것을 특징으로 하는 방법.
  10. 주행 도중 발생하는 주행 시나리오를 검출함으로써 대상 운전자의 주행 습관을 평가하는 테스팅 방법에 있어서,
    (a) (1) 학습 장치가, 학습용 특정 주행 이벤트 각각에 대한 각 정보를 학습용 특정 순서대로 학습용 특정 성분으로서 포함하는 적어도 하나의 학습용 특정 열거 이벤트 벡터가 획득되면, RNN으로 하여금, 상기 학습용 특정 열거 이벤트 벡터의 상기 학습용 특정 성분에 상기 학습용 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 학습용 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 학습용 특정 예측 주행 시나리오를 검출하도록 하고, (2) 상기 학습 장치가, 로스 모듈로 하여금, 상기 학습용 특정 예측 주행 시나리오 및 기획득된 특정 GT 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션(BPTT)을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습한 상태에서, 대상 차량과 연동하는 테스팅 장치가, 하나 이상의 테스트용 주행 이벤트가 검출되면, 상기 RNN으로 하여금, 상기 테스트용 주행 이벤트 각각에 대한 각 정보에 상기 RNN 연산을 차례대로 가함으로써, 상기 테스트용 주행 이벤트 중 적어도 일부를 포함하는 하나 이상의 테스트용 예측 주행 시나리오를 검출하도록 하는 단계; 및
    (b) 상기 테스팅 장치가 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 상기 대상 차량의 상기 대상 운전자의 상기 주행 습관을 평가하기 위해 이용될 평가 정보를 생성하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 테스팅 방법.
  11. 제 10항에 있어서,
    상기 (a) 단계에서,
    상기 테스팅 장치가, 이벤트 검출 모듈로 하여금, 상기 대상 차량에 탑재된, (i) 전자 제어 유닛(ECU) 및 (ii) 외부 환경 모니터링 유닛 중 적어도 하나와 연동하여, 주행 중에 상기 대상 차량의 내부 및 외부에서 일어나는 상기 테스트용 주행 이벤트를 검출하도록 하는 것을 특징으로 하는 테스팅 방법.
  12. 제 11항에 있어서,
    상기 테스팅 장치가 상기 이벤트 검출 모듈로 하여금, 상기 ECU와 연동하여, 방향 정보, 속도 정보, 방향 지시등 정보 및 비상등 정보 중 적어도 일부를 포함하는 내부 동작 정보 중 적어도 일부를 획득함으로써 상기 테스트용 주행 이벤트 중 적어도 일부를 검출하도록 하는 것을 특징으로 하는 테스팅 방법.
  13. 제 11항에 있어서,
    상기 테스팅 장치가 상기 이벤트 검출 모듈로 하여금, 상기 외부 환경 모니터링 유닛의, 외부 카메라 및 V2X(vehicle-to-evertying) 통신 모듈 중 적어도 하나와 연동하여, 상기 대상 차량으로부터 제1 임계 거리 이하에 위치한 신호등의 표시 정보, 상기 대상 차량으로부터 제2 임계 거리 이하에 위치한 주변 차량의 주변 운동 정보 및 상기 대상 차량이 위치한 차로에 대한 차로 정보 중 적어도 일부를 포함하는 외부 환경 정보 중 적어도 일부를 획득함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 검출하는 것을 특징으로 하는 테스팅 방법.
  14. 제 10항에 있어서,
    상기 (b) 단계에서,
    상기 테스팅 장치가 상기 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 획득된, 상기 대상 운전자가 도로 규칙을 위반한 횟수 및 빈도 중 적어도 하나에 대해 통계적 분석 연산을 수행하도록 하고, 상기 통계적 분석 연산의 결과를 포함하는 상기 평가 정보를 생성하도록 하는 것을 특징으로 하는 테스팅 방법.
  15. 주행 도중 발생하는 주행 이벤트를 검출함으로써 상기 주행 이벤트 중 적어도 일부를 포함하는 주행 시나리오를 검출하기 위한 학습 장치에 있어서,
    인스트럭션을 저장하는 적어도 하나의 메모리; 및
    (I) 특정 주행 이벤트 각각에 대한 각 정보를 특정 순서대로 특정 성분으로서 포함하는 적어도 하나의 특정 열거 이벤트 벡터가 획득되면, RNN으로 하여금, 상기 특정 열거 이벤트 벡터의 상기 특정 성분에 상기 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 특정 예측 주행 시나리오를 검출하도록 하는 프로세스 및 (II) 로스 모듈로 하여금, 상기 특정 예측 주행 시나리오 및 기획득된 특정 GT 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 학습 장치.
  16. 제 15항에 있어서,
    상기 (I) 프로세스 이전에,
    상기 프로세서가, (I1) (i) 주행 시나리오 생성 장치가, 상기 특정 주행 이벤트를 포함하는 각각의 주행 이벤트에 대응하는 각각의 그래픽 객체를 디스플레이 장치를 통해 제공하는 프로세스, (ii) 상기 특정 주행 이벤트에 대응하는 특정 그래픽 객체가 이용자에 의해 상기 특정 순서대로 선택되면, 상기 주행 시나리오 생성 장치가, 상기 선택된 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하는 프로세스, (iii) 상기 주행 시나리오 생성 장치가, 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (iv) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 프로세스를 더 수행하는 것을 특징으로 하는 학습 장치.
  17. 제 16항에 있어서,
    상기 주행 시나리오 생성 장치는, 상기 특정 주행 이벤트가 상기 주행 이벤트 중에서 선택되면, 상기 특정 주행 이벤트 중 적어도 하나에 적어도 하나의 변조 연산을 적용하고, 상기 변조 연산이 적용된 상태의 상기 특정 주행 이벤트를 이용하여 적어도 하나의 변조 특정 열거 이벤트 벡터 및 적어도 하나의 변조 특정 GT 주행 시나리오를 더 생성하는 것을 특징으로 하는 학습 장치.
  18. 제 15항에 있어서,
    상기 (I) 프로세스 이전에,
    상기 프로세서가, (I2) (i) 상기 학습 장치와 연동하는 주행 시나리오 생성 장치가, GAN으로 하여금 적어도 하나의 GAN 연산을 수행하도록 하여, (i-1) 상기 주행 이벤트 중에서 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하며, (i-2) 상기 특정 주행 이벤트 각각에 대한 각 정보를 상기 특정 순서대로 이용하여 상기 특정 열거 이벤트 벡터를 생성하고, (i-3) 상기 특정 순서대로 상기 특정 주행 이벤트에 대응하는 상기 특정 GT 주행 시나리오를 생성하는 프로세스, 및 (ii) 상기 주행 시나리오 생성 장치가, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 상기 학습 장치에 전달하는 프로세스를 수행함으로써, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 프로세스를 더 수행하는 것을 특징으로 하는 학습 장치.
  19. 제 18항에 있어서,
    상기 주행 시나리오 생성 장치가, 상기 GAN에 포함된 기학습된 생성 네트워크로 하여금, 상기 GAN 연산의 적어도 일부인 적어도 하나의 생성 연산을 수행하도록 함으로써, 상기 특정 주행 이벤트를 상기 특정 순서대로 선택하여 상기 특정 열거 이벤트 벡터를 생성하는 것을 특징으로 하는 학습 장치.
  20. 제 19항에 있어서,
    상기 GAN은, (i) 상기 생성 네트워크로 하여금, 각각의 학습용 제1 순서의 학습용 제1 주행 이벤트의 제1 그룹 각각에 대응하는 학습용 제1 열거 이벤트 벡터 각각을 생성하도록 하고, (ii) 판별 네트워크로 하여금, 상기 학습용 제1 열거 이벤트 벡터와 관리자에 의해 생성된 학습용 제2 열거 이벤트 벡터 중 적어도 하나인, 상기 판별 네트워크에 입력된 적어도 하나의 이벤트 벡터가 상기 관리자에 의해 생성된 것인지 또는 상기 생성 네트워크에 의해 생성된 것인지에 대한 확률을 나타내는 예측 식별 점수를 생성하도록 하고, (iii) 상기 예측 식별 점수 및 GT 식별 점수를 참조하여 GAN 로스를 생성하며, (iv) 상기 GAN 로스를 사용하여 백프로퍼게이션을 수행함으로써 상기 판별 네트워크 및 상기 생성 네트워크에 포함된 파라미터 중 적어도 일부를 학습한 상태인 것을 특징으로 하는 학습 장치.
  21. 제 15항에 있어서,
    상기 (I) 프로세스 이전에,
    상기 프로세서가, (I3) 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 기설정된 검증 규칙을 만족시키는 경우, 상기 학습 장치와 연동하는 주행 시나리오 생성 장치를 통해 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오를 획득하는 프로세스를 더 수행하는 것을 특징으로 하는 학습 장치.
  22. 제 21항에 있어서,
    과거의 특정 시간 범위 동안 기설정된 횟수만큼 운전자에 의해 위반된 하나 이상의 특정 도로 규칙에 대응하는 상기 검증 규칙은 상기 관리자에 의해 상기 주행 시나리오 생성 장치에 입력되고,
    상기 주행 시나리오 생성 장치는 상기 검증 규칙을 참조하여, 상기 특정 도로 규칙을 준수하거나 위반하는 하나 이상의 상황이 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오에 반영되어 있는 경우, 상기 특정 열거 이벤트 벡터 및 상기 특정 GT 주행 시나리오가 상기 검증 규칙을 만족시키는 것으로 결정하는 것을 특징으로 하는 학습 장치.
  23. 제 15항에 있어서,
    상기 프로세서가, 상기 RNN으로 하여금 (i) LSTM(Long-Short Term Memory) 기법 및 (ii) GRU(Gated Recurrent Unit) 기법 중에서 선택된 기법을 이용하여 상기 RNN 연산을 수행하도록 하는 것을 특징으로 하는 학습 장치.
  24. 주행 도중 발생하는 주행 시나리오를 검출함으로써 대상 운전자의 주행 습관을 평가하는 테스팅 장치에 있어서,
    인스트럭션을 저장하는 적어도 하나의 메모리; 및
    (I) (1) 학습 장치가, 학습용 특정 주행 이벤트 각각에 대한 각 정보를 학습용 특정 순서대로 학습용 특정 성분으로서 포함하는 적어도 하나의 학습용 특정 열거 이벤트 벡터가 획득되면, RNN으로 하여금, 상기 학습용 특정 열거 이벤트 벡터의 상기 학습용 특정 성분에 상기 학습용 특정 순서대로 적어도 하나의 RNN 연산을 가함으로써, 상기 학습용 특정 주행 이벤트 중 적어도 일부를 포함하는 적어도 하나의 학습용 특정 예측 주행 시나리오를 검출하도록 하고, (2) 상기 학습 장치가, 로스 모듈로 하여금, 상기 학습용 특정 예측 주행 시나리오 및 기획득된 특정 GT 주행 시나리오를 참조하여 RNN 로스를 생성하도록 하고, 상기 RNN로스를 사용하여 시계열 백프로퍼게이션을 수행하도록 함으로써, 상기 RNN의 파라미터 중 적어도 일부를 학습한 상태에서, 하나 이상의 테스트용 주행 이벤트가 검출되면, 상기 RNN으로 하여금, 상기 테스트용 주행 이벤트 각각에 대한 각 정보에 상기 RNN 연산을 차례대로 가함으로써, 상기 테스트용 주행 이벤트 중 적어도 일부를 포함하는 하나 이상의 테스트용 예측 주행 시나리오를 검출하도록 하는 프로세스; 및 (II) 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여, 상기 테스팅 장치와 연동되는 대상 차량의 상기 대상 운전자의 상기 주행 습관을 평가하기 위해 이용될 평가 정보를 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 테스팅 장치.
  25. 제 24항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서가, 이벤트 검출 모듈로 하여금, 상기 대상 차량에 탑재된, (i) 전자 제어 유닛(ECU) 및 (ii) 외부 환경 모니터링 유닛 중 적어도 하나와 연동하여, 주행 중에 상기 대상 차량의 내부 및 외부에서 일어나는 상기 테스트용 주행 이벤트를 검출하도록 하는 것을 특징으로 하는 테스팅 장치.
  26. 제 25항에 있어서,
    상기 프로세서가 상기 이벤트 검출 모듈로 하여금, 상기 ECU와 연동하여, 방향 정보, 속도 정보, 방향 지시등 정보 및 비상등 정보 중 적어도 일부를 포함하는 내부 동작 정보 중 적어도 일부를 획득함으로써 상기 테스트용 주행 이벤트 중 적어도 일부를 검출하도록 하는 것을 특징으로 하는 테스팅 장치.
  27. 제 25항에 있어서,
    상기 프로세서가 상기 이벤트 검출 모듈로 하여금, 상기 외부 환경 모니터링 유닛의, 외부 카메라 및 V2X 통신 모듈 중 적어도 하나와 연동하여, 상기 대상 차량으로부터 제1 임계 거리 이하에 위치한 신호등의 표시 정보, 상기 대상 차량으로부터 제2 임계 거리 이하에 위치한 주변 차량의 주변 운동 정보 및 상기 대상 차량이 위치한 차로에 대한 차로 정보 중 적어도 일부를 포함하는 외부 환경 정보 중 적어도 일부를 획득함으로써, 상기 특정 주행 이벤트 중 적어도 일부를 검출하는 것을 특징으로 하는 테스팅 장치.
  28. 제 24항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가 상기 평가 모듈로 하여금, 상기 테스트용 예측 주행 시나리오를 참조하여 획득된, 상기 대상 운전자가 도로 규칙을 위반한 횟수 및 빈도 중 적어도 하나에 대해 통계적 분석 연산을 수행하도록 하고, 상기 통계적 분석 연산의 결과를 포함하는 상기 평가 정보를 생성하도록 하는 것을 특징으로 하는 테스팅 장치.
KR1020200001728A 2019-01-30 2020-01-06 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법 및 장치 Active KR102237873B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962798618P 2019-01-30 2019-01-30
US62/798,618 2019-01-30
US16/724,747 US10832140B2 (en) 2019-01-30 2019-12-23 Method and device for providing information for evaluating driving habits of driver by detecting driving scenarios occurring during driving
US16/724,747 2019-12-23

Publications (2)

Publication Number Publication Date
KR20200095362A true KR20200095362A (ko) 2020-08-10
KR102237873B1 KR102237873B1 (ko) 2021-04-09

Family

ID=69190629

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200001728A Active KR102237873B1 (ko) 2019-01-30 2020-01-06 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법 및 장치

Country Status (5)

Country Link
US (1) US10832140B2 (ko)
EP (1) EP3690795B1 (ko)
JP (1) JP6916552B2 (ko)
KR (1) KR102237873B1 (ko)
CN (1) CN111508101B (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230131984A (ko) 2022-03-07 2023-09-15 부산대학교 산학협력단 가변하는 운전성향을 고려한 운전자 식별 장치 및 방법 그리고 시스템
KR20240100274A (ko) 2022-12-22 2024-07-01 부산대학교 산학협력단 주행상황을 고려한 거리학습 기반의 운전자식별을 위한 시스템 및 방법

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112061136A (zh) * 2020-08-26 2020-12-11 西北工业大学 基于长短期记忆网络的司机驾驶行为自动化分析方法
US11798321B2 (en) * 2020-08-28 2023-10-24 ANI Technologies Private Limited Driver score determination for vehicle drivers
CN112712695B (zh) * 2020-12-30 2021-11-26 桂林电子科技大学 一种交通流预测方法、装置及存储介质
CN112677983B (zh) * 2021-01-07 2022-04-12 浙江大学 一种识别驾驶员驾驶风格的系统
KR102609830B1 (ko) * 2021-01-22 2023-12-08 오병훈 배달자격 검증 시스템
JP7472832B2 (ja) 2021-03-16 2024-04-23 トヨタ自動車株式会社 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム
CN112991750B (zh) * 2021-05-14 2021-11-30 苏州博宇鑫交通科技有限公司 基于强化学习与生成式对抗网络的局部交通优化方法
KR102636106B1 (ko) * 2021-12-27 2024-02-14 한국자동차연구원 운전자의 운전 능력 평가 장치 및 방법
CN115343085B (zh) * 2022-07-29 2025-07-18 三一汽车起重机械有限公司 一种试验标准生成方法、装置及存储介质
US12122417B2 (en) * 2022-08-09 2024-10-22 Motional Ad Llc Discriminator network for detecting out of operational design domain scenarios
CN115798215B (zh) * 2023-02-03 2023-06-09 江苏天一航空工业股份有限公司 一种用于民航机场车路协同行为能力测试方法
KR102781494B1 (ko) * 2024-02-01 2025-03-17 주식회사 에이모 차량 주행 시나리오 머신러닝 모델 생성 방법
KR102689751B1 (ko) * 2024-02-01 2024-07-31 주식회사 에이모 실시간 머신러닝 모델 업데이트 방법
KR102816839B1 (ko) * 2024-02-01 2025-06-09 주식회사 에이모 Gan 머신러닝 학습방법을 이용한 주행 시나리오 머신러닝 모델 생성 방법
WO2025177290A1 (en) * 2024-02-19 2025-08-28 Tvs Motor Company Limited A method for generating test scenarios for testing a vehicle
CN119477555B (zh) * 2024-10-25 2025-09-30 中国平安财产保险股份有限公司 车险理赔方法、车险理赔装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170096164A1 (en) * 2015-10-05 2017-04-06 Delphi Technologies, Inc. Humanized Steering Model For Automated Vehicles
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
JP2017154725A (ja) * 2015-04-21 2017-09-07 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
US20180053108A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Efficient Driver Action Prediction System Based on Temporal Fusion of Sensor Data Using Deep (Bidirectional) Recurrent Neural Network
KR20180127245A (ko) * 2017-05-19 2018-11-28 한국과학기술원 비디오 게임을 활용한 차량 사고 예측 방법

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8966064B2 (en) * 2012-07-09 2015-02-24 Parentsware, Llc Agreement compliance controlled electronic device throttle
US20180174446A1 (en) * 2015-02-09 2018-06-21 Kevin Sunlin Wang System and method for traffic violation avoidance
US10407078B2 (en) * 2016-04-26 2019-09-10 Sivalogeswaran Ratnasingam Dynamic learning driving system and method
JP6671248B2 (ja) * 2016-06-08 2020-03-25 株式会社日立製作所 異常候補情報分析装置
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
US10318827B2 (en) * 2016-12-19 2019-06-11 Waymo Llc Object detection neural networks
US20180218262A1 (en) * 2017-01-31 2018-08-02 Panasonic Intellectual Property Corporation Of America Control device and control method
US20190012755A1 (en) * 2017-07-10 2019-01-10 Benjamin Williams Multi-driver, multi-law enforcement officer tracking, mapping, matching, and communication system for traffic stops using encrypted volunteered driver information
US10657804B2 (en) * 2017-08-11 2020-05-19 Here Global B.V. Updating maps and road status
CN107492251B (zh) * 2017-08-23 2020-02-14 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN107697070B (zh) 2017-09-05 2020-04-07 百度在线网络技术（北京）有限公司 驾驶行为预测方法和装置、无人车
JP7053213B2 (ja) * 2017-10-13 2022-04-12 株式会社デンソー 運転データ解析装置
CN107918963A (zh) * 2017-11-16 2018-04-17 百度在线网络技术（北京）有限公司 用于车辆的信息生成方法和装置
CN108920805B (zh) * 2018-06-25 2022-04-05 大连大学 具有状态特征提取功能的驾驶员行为建模系统
US10672136B2 (en) * 2018-08-31 2020-06-02 Snap Inc. Active image depth prediction
US11921473B2 (en) * 2019-06-28 2024-03-05 Intel Corporation Methods and apparatus to generate acceptability criteria for autonomous systems plans

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017154725A (ja) * 2015-04-21 2017-09-07 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
US20170096164A1 (en) * 2015-10-05 2017-04-06 Delphi Technologies, Inc. Humanized Steering Model For Automated Vehicles
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
US20180053108A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Efficient Driver Action Prediction System Based on Temporal Fusion of Sensor Data Using Deep (Bidirectional) Recurrent Neural Network
KR20180127245A (ko) * 2017-05-19 2018-11-28 한국과학기술원 비디오 게임을 활용한 차량 사고 예측 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230131984A (ko) 2022-03-07 2023-09-15 부산대학교 산학협력단 가변하는 운전성향을 고려한 운전자 식별 장치 및 방법 그리고 시스템
KR20240100274A (ko) 2022-12-22 2024-07-01 부산대학교 산학협력단 주행상황을 고려한 거리학습 기반의 운전자식별을 위한 시스템 및 방법

Also Published As

Publication number Publication date
EP3690795B1 (en) 2025-03-05
US20200242477A1 (en) 2020-07-30
US10832140B2 (en) 2020-11-10
JP6916552B2 (ja) 2021-08-11
CN111508101B (zh) 2022-04-08
EP3690795A1 (en) 2020-08-05
JP2020123333A (ja) 2020-08-13
EP3690795C0 (en) 2025-03-05
CN111508101A (zh) 2020-08-07
KR102237873B1 (ko) 2021-04-09

Similar Documents

Publication Publication Date Title
KR102237873B1 (ko) 주행 도중 발생하는 주행 시나리오를 검출하여 운전자의 주행 습관을 평가하기 위한 정보를 제공하는 방법 및 장치
US12420846B2 (en) Agent trajectory prediction using context-sensitive fusion
CN112703459B (zh) 对抗场景的迭代生成
CN112997128B (zh) 一种自动驾驶场景的生成方法、装置及系统
CN111506980B (zh) 对虚拟驾驶环境生成交通场景的方法及装置
CN109520744B (zh) 自动驾驶车辆的驾驶性能测试方法和装置
US12049221B2 (en) Multi-modal multi-agent trajectory prediction
KR20200094641A (ko) 강화 학습에 기초하여 협업 주행에서 다중 에이전트 센서 퓨전을 수행하는 방법 및 장치
US11577756B2 (en) Detecting out-of-model scenarios for an autonomous vehicle
CN110686906B (zh) 车辆自动驾驶测试方法及装置
WO2023123130A1 (zh) 用于自动驾驶系统的方法、装置、电子设备和介质
CN118228612B (zh) 一种基于强化学习的自然性自动驾驶场景生成方法及装置
CN116206438A (zh) 训练用于预测交通场景未来发展的系统的方法和相应系统
US11657268B1 (en) Training neural networks to assign scores
CN120764311A (zh) 一种基于大数据联合训练的智能驾驶仿真方法及装置
CN116187091A (zh) 自动驾驶测试场景库生成方法及装置、存储介质
CN118372842B (zh) 车辆决策方法、装置、车辆和存储介质
CN114973656B (zh) 交通交互性能的评估方法、装置、设备、介质和产品
CN120008647A (zh) 用于基于相机的车辆导航的车辆控制系统
CN109284889B (zh) 一种无人车反应敏捷度评测方法和装置
CN117730289A (zh) 测试方法及装置
KR102743894B1 (ko) 자율주행 차량의 안전성 평가 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
US20260141702A1 (en) Contrastive learning for encoding self-driving sensor data
Patel Evaluate the Driving Safety of the User Based on the Trajectory Collected: User-Specific Behavior for Safety Analysis
CN120849293A (zh) 车端大模型评测方法、系统、电子设备及可读存储介质

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

D13-X000 Search requested

St.27 status event code: A-1-2-D10-D13-srh-X000

D14-X000 Search report completed

St.27 status event code: A-1-2-D10-D14-srh-X000

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

R15-X000 Change to inventor requested

St.27 status event code: A-3-3-R10-R15-oth-X000

R16-X000 Change to inventor recorded

St.27 status event code: A-3-3-R10-R16-oth-X000

GRNT Written decision to grant
PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000

PR1001 Payment of annual fee

St.27 status event code: A-4-4-U10-U11-oth-PR1001

Fee payment year number: 4

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000

PR1001 Payment of annual fee

St.27 status event code: A-4-4-U10-U11-oth-PR1001

Fee payment year number: 5

U11 Full renewal or maintenance fee paid

Free format text: ST27 STATUS EVENT CODE: A-4-4-U10-U11-OTH-PR1001 (AS PROVIDED BY THE NATIONAL OFFICE)

Year of fee payment: 5