| 1 |
1
프로세서가 슬로프의 학습에 관련된 데이터를 획득하는 단계;상기 프로세서가 상기 획득한 데이터 및 상기 데이터에 해당하는 설질 정보로 기계 학습을 수행하여, 노면의 특성치를 예측하고 기계 학습 파라미터 형태로 모델링하는 학습 단계;상기 프로세서가 현재 슬로프 상에서 동적으로 움직이는 상황에서 장비에 부착된 센서를 통해 노면으로부터 전달되는 관성 신호 데이터를 측정하는 단계; 및상기 프로세서가 상기 측정된 관성 신호 데이터와 학습 정보를 이용하여 상기 현재 슬로프의 슬로프 정보를 예측하는 단계를 포함하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 2 |
2
제1항에 있어서,상기 기계 학습은 상기 프로세서에 의해 교사 기계 학습 기술을 기반으로 수행되고, 상기 프로세서에 의해 수행되는 상기 교사 기계 학습 기술은 SVM, Decision tree, 신경망 중 어느 하나의 교사학습 방법론을 사용하는 것을 특징으로 하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 3 |
3
제2항에 있어서,상기 프로세서에 의해 수행되는 상기 교사 기계 학습 기술은 학습되는 파라미터가 시간에 걸쳐 공유되는 순환 신경망인 RNN(Recurrent neural network)인 것을 특징으로 하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 4 |
4
제3항에 있어서,상기 RNN은 LSTM(Long Short-Term Memory models)인 것을 특징으로 하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 5 |
5
제3항에 있어서,상기 RNN은 GRU(Gated Recurrent Unit)인 것을 특징으로 하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 6 |
6
제3항에 있어서,상기 학습 단계는, 상기 프로세서가 상기 교사 기계 학습 기술을 이용하여 사전에 오프라인으로 슬로프에 대한 센서값 정보를 획득하고 이에 해당하는 클래스를 이용하여 교사 기계 학습(supervised learning) 하는 것을 특징으로 하고,상기 프로세서가 특정 슬로프 상에서의 특성인 클래스를 입력하는 단계;상기 프로세서가 관성 센서를 이용하여 획득된 상기 특정 슬로프의 관성 신호 데이터를 획득하는 단계;상기 프로세서가 상기 특정 슬로프의 관성 신호 데이터를 상기 특정 슬로프의 특성인 클래스와 연계하여 저장하는 단계를 포함하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 7 |
7
제5항에 있어서,상기 프로세서가 상기 교사 기계 학습 기술을 이용하여 슬로프에 대한 학습 정보를 오프라인으로 획득하는 단계를 반복적으로 수행하되,상기 프로세서가 복수의 관성 센서 데이터와 슬로프 특성 클래스 집합을 이용하여 학습하는 단계를 수행하는 것을 특징으로 하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 8 |
8
제1항에 있어서,상기 프로세서가 상기 슬로프 정보를 타 기기 또는 서버로 송신하는 단계를 더 포함하는 것을 특징으로 하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 9 |
9
제1항에 있어서,상기 프로세서가 상기 슬로프의 학습에 관련된 데이터 및 상기 슬로프 정보는 설질에 대한 정보를 포함하고,상기 설질에 대한 정보는 습설, 건설, 슬러쉬, 압설, 강설 중 적어도 하나의 구성비율을 포함하는 것을 특징으로 하는, 교사 기계 학습 기반 슬로프 분석 방법
|
| 10 |
10
통신부;사용자 단말의 동작을 위한 프로그램을 저장하는 메모리; 현재 슬로프의 관성 신호 데이터를 측정하는 관성 센서; 및슬로프의 학습에 관련된 데이터를 획득하고, 상기 획득한 데이터 및 상기 데이터에 해당하는 설질 정보로 기계 학습을 수행하여, 노면의 특성치를 예측하고 기계 학습 파라미터 형태로 모델링을 통해 학습을 하고, 상기 측정된 관성 신호 데이터와 학습 정보를 이용하여 상기 현재 슬로프의 슬로프 정보를 예측하도록 제어하는 프로세서를 포함하는 것을 특징으로 하는 사용자 단말
|
| 11 |
11
제10항에 있어서,상기 프로세서는, 교사 기계 학습 기술을 기반으로 상기 기계 학습을 수행하고,상기 프로세서에 의해 수행되는 상기 교사 기계 학습 기술은 RNN(Recurrent neural network)이며,상기 RNN은 LSTM(Long Short-Term Memory models) 또는 GRU(Gated Recurrent Unit)인 것을 특징으로 하는, 사용자 단말
|
| 12 |
12
제11항에 있어서,상기 프로세서는, 상기 교사 기계 학습 기술을 이용하여 사전에 오프라인으로 슬로프에 대한 센서값 정보를 획득하고 이에 해당하는 클래스를 이용하여 교사 기계 학습(supervised learning) 하는 것을 특징으로 하는, 사용자 단말
|
| 13 |
13
제11항에 있어서,상기 프로세서는, 상기 교사 기계 학습 기술을 이용하여 슬로프에 대한 학습 정보를 오프라인으로 획득하는 단계를 반복적으로 수행하되, 복수의 관성 센서 데이터와 슬로프 특성 클래스 집합을 이용하여 학습하는 단계를 수행하는 것을 특징으로 하는, 사용자 단말
|
| 14 |
14
제10항에 있어서,상기 프로세서는, 상기 슬로프 정보를 타 기기 또는 서버로 송신하도록 제어하는, 사용자 단말
|
| 15 |
15
제10항에 있어서,상기 슬로프 정보는 설질 정보를 포함하고,상기 설질 정보는 습설, 건설, 슬러쉬, 압설, 강설 중 적어도 하나의 구성비율을 포함하는 것을 특징으로 하는, 사용자 단말
|
| 16 |
16
제10항에 있어서,상기 관성 센서는 사용자에 소지되거나, 상기 사용자의 장비 표면에 부착되는 것을 특징으로 하는, 사용자 단말
|
| 17 |
17
제1항 내지 제9항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 비일시적 기록 매체
|
