1 |
1
에지 크라우드 하에서, SDN(Software Defined Networking; 소프트웨어 정의 네트워킹)이 가능한 장치를 구비하는 차량의 위치를 추적하는 시스템에 있어서,차량의 위치의 추적 대상이 되는 특정 지역에 에지 크라우드를 적용하는 차량에 설치되는 SDN 제어장치;상기 차량에서 발생하는 차량 속도, 위치 및 가속도를 포함하는 운행정보를 상기 SDN 제어장치로부터 전송받는 에지 제어기(Edge Controller);상기 에지 제어기는,상기 운행수단에서 제공되는 상기 운행정보를 바탕으로, IMM(Interacting Multiple Model; 상호작용 다수모델 프로그램)부에 의해 확률밀도함수를 계산하고 누적하여 차량의 예상 위치를 산출하는 확장 칼만필터(Extended Kalman Filter; EKF)모듈;를 포함하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템
|
2 |
2
제1항에 있어서,상기 확장 칼만필터 모듈은,차량의 예상 동적정보에 대한 예상 모델을 제공하는 예측모델 제공부;를 포함하며,상기 예측모델 제공부에서 제공되는 예측모델은, 하기의 {식 1} 내지 {식 5}에 의해 결정되는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템
|
3 |
3
제2항에 있어서,상기 확장 칼만필터 모듈의 상기 IMM부는,상기 예측모델 제공부에서 제공하는 5가지 모델을 이용하여 하기의 피드백 과정을 반복하며,각 개별 모델에 대한 발생 확률을 계산하고, 상기 계산된 확률을 사용하여 어느 모델이 차량의 위치 예측에 지배적일지 식별하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템
|
4 |
4
제3항에 있어서,상기 피드백 과정은,하기의 {식 6-1}을 통한 예측과정과 {식 6-2}를 통한 업데이트 과정을 수행하며, 예측오차를 수정하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템
|
5 |
5
제4항에 있어서,상기 IMM부는,상기 피드백 과정을 통해 지배적 모델을 식별하는 경우,차량의 전체 주행에서 각 반복에 대한 확률을 계속 재계산하여 이전 반복에서 계산된 확률 값에 대해 새로운 확률 값을 가중하는 방식으로 수행하며,이를 통해 산출된 정보를 기반으로, 하기의 식 7에 따른 상태 전환 매트릭스를 통해 각 모델의 확률을 계산하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템
|
6 |
6
제5항에 있어서,상기 IMM부는,Markov 체인 모델을 사용해 확률 밀도 함수(pdf)를 계산한 후 각 모델에 대한 누적 확률을 계산하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템
|
7 |
7
청구항 1에 따른 시스템을 적용하여, 에지 크라우드 하에서, SDN(Software Defined Networking; 소프트웨어 정의 네트워킹)이 가능한 장치를 구비하는 차량의 위치를 추적하는 방법에 있어서,차량의 SDN 장치를 통해 에지 클라우드의 에지 제어기에 차량의 위치, 속도, 가속도를 포함하는 운행정보를 전송하는 1 단계;상기 에지 제어기 내의 확장 칼만필터(Extended Kalman Filter; EKF)모듈에서, 상기 운행정보를 바탕으로, IMM(Interacting Multiple Model; 상호작용 다수모델 프로그램)부에 의해 확률밀도함수를 계산하고 누적하여 차량의 예상 위치를 산출하는 2단계; 를 포함하며,상기 2단계는,IMM(Interacting Multiple Model; 상호작용 다수모델 프로그램)부에서,차량의 움직임을 모델화한 예측모델에 대한 발생확률을 계산하고, 상기 계산된 확률을 적용하여 해당 모델을 통한 차량 위치 예측의 지배력을 식별하는 단계인,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법
|
8 |
8
제7항에 있어서,상기 예측모델은,하기 {식 1}에 따른 일정 위치모델(Constant location model; CL)을 포함하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법
|
9 |
9
제8항에 있어서,상기 예측모델은,하기 {식 2}에 따른 일정 속도 모델(Constant velocity model; CV)을 포함하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법
|
10 |
10
제9항에 있어서,상기 예측모델은,하기 {식 3}에 따른 일정 가속 모델(Constant acceleration model; CA)을 포함하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법
|
11 |
11
제10항에 있어서,상기 예측모델은,하기 {식 4}에 따른 일정 저크(jerk) 모델(Constant Jerk model; CJ)을 포함하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법
|
12 |
12
제11항에 있어서상기 예측모델은,하기 {식 5}에 따른 차량 터닝(turning) 모델(Constant vehicle turn model; VT)을 포함하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법
|
13 |
13
제12항에 있어서,상기 2단계는,모델을 이용하여 하기의 피드백 과정을 반복하며, 각 개별 모델에 대한 발생 확률을 계산하고, 상기 계산된 확률을 사용하여 어느 모델이 차량의 위치 예측에 지배적일지 식별하되,차량의 전체 주행에서 각 반복에 대한 확률을 계속 재계산하여 이전 반복에서 계산된 확률 값에 대해 새로운 확률 값을 가중하는 방식으로 수행하며,이를 통해 산출된 정보를 기반으로, 하기의 {식 7}에 따른 상태 전환 매트릭스를 통해 각 모델의 확률을 계산하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법
|
14 |
14
청구항 13에 의한 차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체
|