| 1 |
1
주행 상황 및 운전 습관 분석을 위한 학습 방법에 있어서,주행 중인 차량에서 수집된 영상 데이터, 주행 데이터, 위치 데이터, 및 포인트 클라우드 데이터를 획득하는 단계;시간 데이터에 기초하여 수집한 데이터를 동기화하는 단계;동기화된 데이터 중에서 상기 영상 데이터 및 상기 포인트 클라우드 데이터에 기초하여 차량의 주변에 위치한 객체의 정보를 알 수 있는 주변 객체 정보데이터를 생성하는 단계;상기 주변 객체 정보데이터가 포함된 상기 동기화된 데이터에 대해 주행 상황 정보 및 운전 습관 정보를 라벨링하여 학습 데이터 세트를 생성하는 단계; 및상기 학습 데이터 세트를 이용하여 주행 상황 및 운전 습관을 분석하기 위한 신경망을 학습시키는 단계를 포함하고,상기 주변 객체 정보데이터를 생성하는 단계는,상기 영상 데이터에 포함된 상기 객체의 종류를 인식하는 단계; 및상기 영상 데이터에서의 상기 객체의 위치와 상기 포인트 클라우드 데이터에서 인식한 상기 객체를 중점(center point) 기준으로 연동하는 단계를 포함하고, 상기 학습시키는 단계는,상기 학습 데이터 세트를 상기 학습 데이터 세트로부터 차량정보 데이터에 포함된 차종을 기반으로 데이터를 가져와서 구성된 차종 별 학습 데이터 세트, 상기 학습 데이터 세트로부터 상기 위치 데이터 기반으로 일정 구간을 ROI로 정한 도로에서의 데이터를 가져와서 구성된 도로 별 학습 데이터 세트, 및 상기 학습 데이터 세트로부터 운전자정보 데이터에 포함된 운전자 ID를 기반으로 데이터를 가져와서 구성된 운전자 별 학습 데이터 세트로 세분화하는 단계를 포함하는, 프로세서를 통해 수행되는, 학습 방법
|
| 2 |
2
제1항에 있어서,상기 객체의 정보는 상기 객체의 레이블 및 위치를 포함하는, 학습 방법
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 학습 데이터 세트를 생성하는 단계상기 동기화된 데이터 중 상기 시간 데이터의 시간 단위를 기준으로 연속된 데이터에 대해 상기 주행 상황 정보 및 상기 운전 습관 정보를 라벨링하는 단계를 포함하는, 학습 방법
|
| 5 |
5
삭제
|
| 6 |
6
삭제
|
| 7 |
7
제1항에 있어서,상기 학습시키는 단계는,상기 차종 별 학습 데이터 세트, 상기 도로 별 학습 데이터 세트, 및 상기 운전자 별 학습 데이터 세트 별로 상기 주행 상황을 분석하기 위한 신경망 및 상기 운전 습관을 분석하기 위한 신경망 각각을 학습시키는 단계를 더 포함하는, 학습 방법
|
| 8 |
8
제1항에 있어서,추가 학습 데이터 세트에 대하여 상기 주행 상황 및 운전 습관에 대한 정보를 자동으로 라벨링하는 단계; 및상기 라벨링 이후에 상기 학습 데이터 세트를 이용하여 학습된 신경망을 상기 추가 학습 데이터 세트로 학습시키는 단계를 더 포함하는, 학습 방법
|
| 9 |
9
제8항에 있어서,상기 추가 학습 데이터 세트에 대하여 라벨링되는 상기 주행 상황 및 운전 습관에 대한 정보는 상기 학습 데이터 세트를 이용하여 학습된 신경망을 통해 추론된 값인, 학습 방법
|
| 10 |
10
하나 이상의 인스트럭션을 포함하는 메모리; 및상기 인스트럭션을 실행시키기 위한 프로세서를 포함하고,상기 인스트럭션이 실행될 때, 상기 프로세서는,주행 중인 차량에서 수집된 영상 데이터, 주행 데이터, 위치 데이터, 및 포인트 클라우드 데이터를 획득하고,시간 데이터에 기초하여 수집한 데이터를 동기화하고,동기화된 데이터 중에서 상기 영상 데이터 및 상기 포인트 클라우드 데이터에 기초하여 상기 영상 데이터에 포함된 객체의 종류를 인식하고, 상기 영상 데이터에서의 상기 객체의 위치와 상기 포인트 클라우드 데이터에서 인식한 상기 객체를 중점(center point) 기준으로 연동하여 차량의 주변에 위치한 객체의 정보를 알 수 있는 주변 객체 정보데이터를 생성하고,상기 주변 객체 정보데이터가 포함된 상기 동기화된 데이터에 대해 주행 상황 정보 및 운전 습관 정보를 라벨링하여 학습 데이터 세트를 생성하고,상기 학습 데이터 세트를 상기 학습 데이터 세트로부터 차량정보 데이터에 포함된 차종을 기반으로 데이터를 가져와서 구성된 차종 별 학습 데이터 세트, 상기 학습 데이터 세트로부터 상기 위치 데이터 기반으로 일정 구간을 ROI로 정한 도로에서의 데이터를 가져와서 구성된 도로 별 학습 데이터 세트, 및 상기 학습 데이터 세트로부터 운전자정보 데이터에 포함된 운전자 ID를 기반으로 데이터를 가져와서 구성된 운전자 별 학습 데이터 세트로 세분화하고,상기 학습 데이터 세트를 이용하여 주행 상황 및 운전 습관을 분석하기 위한 신경망을 학습시키는, 자율 주행 학습 장치
|
| 11 |
11
제10항에 있어서,상기 객체의 정보는 상기 객체의 레이블 및 위치를 포함하는, 자율 주행 학습 장치
|
| 12 |
12
삭제
|
| 13 |
13
제10항에 있어서,상기 프로세서는,상기 동기화된 데이터 중 상기 시간 데이터의 시간 단위를 기준으로 연속된 데이터에 대해 상기 주행 상황 정보 및 상기 운전 습관 정보를 라벨링하는, 자율 주행 학습 장치
|
| 14 |
14
삭제
|
| 15 |
15
삭제
|
| 16 |
16
제10항에 있어서,상기 프로세서는,상기 차종 별 학습 데이터 세트, 상기 도로 별 학습 데이터 세트, 및 상기 운전자 별 학습 데이터 세트 별로 상기 주행 상황을 분석하기 위한 신경망 및 상기 운전 습관을 분석하기 위한 신경망 각각을 학습시키는, 자율 주행 학습 장치
|
| 17 |
17
제10항에 있어서,상기 프로세서는,추가 학습 데이터 세트에 대하여 상기 주행 상황 및 운전 습관에 대한 정보를 자동으로 라벨링하고,상기 라벨링 이후에 상기 학습 데이터 세트를 이용하여 학습된 신경망을 상기 추가 학습 데이터 세트로 학습시키는, 자율 주행 학습 장치
|
| 18 |
18
제17항에 있어서,상기 추가 학습 데이터 세트에 대하여 라벨링되는 상기 주행 상황 및 운전 습관에 대한 정보는 상기 학습 데이터 세트를 이용하여 학습된 신경망을 통해 추론된 값인, 자율 주행 학습 장치
|
