| 1 |
1
차량의 주행을 통해 획득한 차량 주행 정보로부터 미리 설정된 시간 간격으로 미리 설정된 구간 동안 통계 특성을 추출하는 단계와;상기 변환된 차량 주행 정보로부터 통계 특성을 추출하고, 추출된 상기 통계 특성으로부터 운전자의 운전 성향을 추출하기 위한 상기 차량 주행 정보의 레이블링을 수행하는 단계와;상기 레이블링의 결과에 기초하여 운전자의 운전 성향을 분류하기 위한 분류 로직을 생성하는 단계를 포함하는 차량 제어 방법
|
| 2 |
2
제 1 항에 있어서,상기 차량의 주행을 통해 획득한 상기 차량 주행 정보를 미리 정해진 표준 차량의 주행 정보의 형태로 변환함으로써 상기 차량 주행 정보에서 상기 차량의 고유한 특성이 배제되도록 하는 단계를 더 포함하는 차량 제어 방법
|
| 3 |
3
제 2 항에 있어서,상기 차량 주행 정보에서 상기 차량의 고유한 특성을 배제하기 위해 운전자의 조작에 의해 발생하는 주행 정보와 주행 환경에 의해 발생하는 주행 정보를 구분하는 차량 제어 방법
|
| 4 |
4
제 2 항에 있어서,상기 운전자의 조작에 의해 발생하는 주행 정보는, 댐퍼 속도와 차속, 종가속도, 횡가속도, 요레이트 가운데 적어도 하나를 포함하는 차량 제어 방법
|
| 5 |
5
제 4 항에 있어서,상기 운전자의 조작에 의해 발생하는 주행 정보는, 스티어링 각속도와 액셀 페달 조작량, 브레이크 페달 조작량 가운데 적어도 하나를 포함하는 차량 제어 방법
|
| 6 |
6
제 5 항에 있어서,상기 댐퍼 속도와 차속, 종가속도, 횡가속도, 요레이트, 스티어링 각속도와 액셀 페달 조작량, 브레이크 페달 조작량 가운데 일부를 선택적으로 취함으로써 상기 차량의 고유한 특성을 배제하는 차량 제어 방법
|
| 7 |
7
제 1 항에 있어서,상기 통계 특성을 추출하는 단계에서, 상기 미리 설정된 구간 각각은 서로 중첩된 구간을 갖도록 이루어지는 차량 제어 방법
|
| 8 |
8
제 7 항에 있어서,상기 통계 특성은 특징 벡터와 최대 편차, 최소 편차, 표준 편차를 포함하는 차량 제어 방법
|
| 9 |
9
제 1 항에 있어서,상기 레이블링을 위해 머신러닝 기반의 신경망 학습 이론을 적용하는 차량 제어 방법
|
| 10 |
10
제 1 항에 있어서,상기 레이블링을 위해 오차 행렬이 사용되는 차량 제어 방법
|
| 11 |
11
제 10 항에 있어서, 상기 레이블링은,상기 차량 주행 정보의 데이터 셋을 운전자 분류 로직을 통해 분류 결과를 생성하고;생성된 상기 분류 결과를 오차 행렬 재배열 로직을 통해 재배열함으로써 재배열된 상기 오차 행렬을 생성하는 것을 포함하는 차량 제어 방법
|
| 12 |
12
제 11 항에 있어서,상기 오차 행렬은 재배열(Reordering)을 통해 클러스터(Cluster)가 표현된 이미지로 나타내는 차량 제어 방법
|
| 13 |
13
제 1 항에 있어서,상기 차량의 테스트 주행을 통해 상기 차량 주행 정보를 획득하여 데이터베이스를 구축하는 단계를 더 포함하는 차량 제어 방법
|
| 14 |
14
제 13 항에 있어서,상기 데이터베이스에 저장되어 있는 상기 차량 주행 정보를 수신하여 상기 차량 주행 정보에 포함되어 있는 잡음을 제거하는 단계를 더 포함하는 차량 제어 방법
|
| 15 |
15
차량의 주행을 통해 획득한 차량 주행 정보로부터 미리 설정된 시간 간격으로 미리 설정된 구간 동안 통계 특성을 추출하는 구간 별 특징 추출 로직과;상기 변환된 차량 주행 정보로부터 통계 특성을 추출하고, 추출된 상기 통계 특성으로부터 운전자의 운전 성향을 추출하기 위한 상기 차량 주행 정보의 레이블링을 수행하는 운전 성향 레이블링 로직과;상기 레이블링의 결과에 기초하여 운전자의 운전 성향을 분류하기 위한 분류 로직을 생성하는 학습 로직을 포함하는 차량
|
| 16 |
16
제 15 항에 있어서,상기 차량의 주행을 통해 획득한 상기 차량 주행 정보를 미리 정해진 표준 차량의 주행 정보의 형태로 변환함으로써 상기 차량 주행 정보에서 상기 차량의 고유한 특성이 배제되도록 하는 차량 특징 표준화 로직을 더 포함하는 차량
|
| 17 |
17
제 16 항에 있어서, 상기 차량 특징 표준화 로직은,상기 차량 주행 정보에서 상기 차량의 고유한 특성을 배제하기 위해 운전자의 조작에 의해 발생하는 주행 정보와 주행 환경에 의해 발생하는 주행 정보를 구분하여 선택적으로 취하는 차량
|
| 18 |
18
제 16 항에 있어서,상기 운전자의 조작에 의해 발생하는 주행 정보는, 댐퍼 속도와 차속, 종가속도, 횡가속도, 요레이트 가운데 적어도 하나를 포함하는 차량
|
| 19 |
19
제 18 항에 있어서,상기 운전자의 조작에 의해 발생하는 주행 정보는, 스티어링 각속도와 액셀 페달 조작량, 브레이크 페달 조작량 가운데 적어도 하나를 포함하는 차량
|
| 20 |
20
제 19 항에 있어서,상기 댐퍼 속도와 차속, 종가속도, 횡가속도, 요레이트, 스티어링 각속도와 액셀 페달 조작량, 브레이크 페달 조작량 가운데 일부를 선택적으로 취함으로써 상기 차량의 고유한 특성을 배제하는 차량
|
| 21 |
21
제 20 항에 있어서, 상기 구간 별 특징 추출 로직은,상기 통계 특성을 추출하는 단계에서, 상기 미리 설정된 구간 각각이 서로 중첩된 구간을 갖도록 하는 차량
|
| 22 |
22
제 21 항에 있어서,상기 통계 특성은 특징 벡터와 최대 편차, 최소 편차, 표준 편차를 포함하는 차량
|
| 23 |
23
제 15 항에 있어서,상기 레이블링을 위해 머신러닝 기반의 신경망 학습 이론을 적용하는 차량
|
| 24 |
24
제 15 항에 있어서,상기 레이블링을 위해 오차 행렬이 사용되는 차량
|
| 25 |
25
제 15 항에 있어서, 상기 운전 성향 레이블링 로직은,상기 차량 주행 정보의 데이터 셋을 운전자 분류 로직을 통해 분류 결과를 생성하고;생성된 상기 분류 결과를 오차 행렬 재배열 로직을 통해 재배열함으로써 재배열된 오차 행렬을 생성하는 차량
|
| 26 |
26
제 25 항에 있어서,상기 오차 행렬은 재배열(Reordering)을 통해 클러스터(Cluster)가 표현된 이미지로 나타내는 차량
|
| 27 |
27
제 15 항에 있어서,상기 차량의 테스트 주행을 통해 획득한 상기 차량 주행 정보를 저장하는 데이터베이스를 더 포함하는 차량
|
| 28 |
28
제 27 항에 있어서,상기 데이터베이스에 저장되어 있는 상기 차량 주행 정보를 수신하여 상기 차량 주행 정보에 포함되어 있는 잡음을 제거하는 잡음 제거 로직을 더 포함하는 차량
|
| 29 |
29
테스트 차량의 주행을 통해 획득한 차량 주행 정보를 미리 정해진 표준 차량의 주행 정보의 형태로 변환함으로써 변환된 상기 테스트 차량의 상기 차량 주행 정보에서 상기 테스트 차량의 고유한 특성이 배제되도록 하는 단계와;상기 변환된 차량 주행 정보로부터 미리 설정된 시간 간격으로 미리 설정된 구간 동안 통계 특성을 추출하는 단계와;상기 변환된 차량 주행 정보로부터 통계 특성을 추출하고, 추출된 상기 통계 특성에 머신러닝 기반의 신경망 학습 이론을 적용함으로써, 운전자의 운전 성향을 추출하기 위한 상기 차량 주행 정보의 레이블링을 수행하는 단계와;상기 레이블링의 결과에 기초하여 운전자의 운전 성향을 분류하기 위한 분류 로직을 생성하는 단계를 포함하는 차량 제어 방법
|
| 30 |
30
양산 차량의 주행을 통해 획득한 차량 주행 정보를 미리 정해진 표준 차량의 주행 정보의 형태로 변환함으로써 변환된 상기 양산 차량의 상기 차량 주행 정보에서 상기 양산 차량의 고유한 특성이 배제되도록 하는 단계와;상기 변환된 차량 주행 정보로부터 미리 설정된 시간 간격으로 미리 설정된 구간 동안 통계 특성을 추출하는 단계와;운전자의 운전 성향을 추출하기 위해 상기 차량 주행 정보의 레이블링을 통해 마련되는 분류 로직을 이용하여 상기 양산 차량을 운전하는 운전자의 운전 성향을 분류하는 단계와;분류된 상기 운전 성향에 기초하여 상기 차량의 자동 운전 모드를 결정하는 단계를 포함하는 차량 제어 방법
|
