1 |
1
운전자로부터 측정한 뇌파를 획득하는 단계;상기 획득하는 뇌파로부터 상기 운전자의 인지 정보 또는 반응 정보를 포함하는 운전자 뇌파 정보를 추출하는 단계;신경망을 이용하여 차량에 설치된 카메라로부터 촬영되는 영상으로부터 운전자 상황 정보를 추출하는 단계;상기 운전자 뇌파 정보와 상기 운전자 상황 정보를 매핑하여 운전자의 뇌의 인지 정보와 운전자가 습득한 시각 정보 간의 연관 관계를 분석하는 단계; 및상기 분석된 연관 관계를 이용하여 자율주행 차량에 대한 복합 인터렉션을 수행하는 단계를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
2 |
2
제1항에 있어서,운전자 뇌파 정보는,상기 운전자의 인지 정보 또는 반응 정보를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
3 |
3
제1항에 있어서,상기 운전자 상황 정보는,상기 운전자의 상태 정보 또는 행동 정보를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
4 |
4
제1항에 있어서,자율주행 차량의 외부에 대한 외부 센싱정보를 획득하는 단계를 더 포함하고,상기 자율주행 차량에 대한 복합 인터렉션을 수행하는 단계는,상기 분석된 연관 관계에 상기 획득한 외부 센싱정보를 추가 반영하여 자율주행 차량에 대한 복합 인터렉션을 수행하는 단계를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
5 |
5
제1항에 있어서,상기 운전자 상황 정보를 추출하는 단계는,GAN(Generative Adversarial Networks) 기반의 LSTM(Long Short-Term Memory models) 인코더 네트워크를 이용하여, 상기 획득하는 뇌파로부터 운전자 인지 정보 또는 반응 정보를 추출하는 단계를 더 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
6 |
6
제1항에 있어서,상기 뇌파로부터 상기 운전자 뇌파 정보를 추출하는 단계는,시간 분석을 기반으로 하는 LSTM을 이용하는 인코더 네트워크(encoder network)를 학습하여, 비전-BCI 정보 학습을 위한 연계 네트워크를 생성하고, 상기 생성된 연계 네트워크를 이용하여 상기 뇌파로부터 상기 운전자 뇌파 정보를 추출하는 단계를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
7 |
7
제1항에 있어서,상기 연계 네트워크는,뇌파를 입력으로 하여 벡터 형태의 운전자 뇌파 정보를 출력하는 RNN(Recurrent Neural Networks) 기반의 네트워크인 것을 특징으로 하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
8 |
8
제1항에 있어서,상기 신경망을 이용하여 상기 영상으로부터 운전자 상황 정보를 추출하는 단계는,사전에 학습된 CNN을 사용하여 상기 영상으로부터 상기 운전자의 상태 정보 또는 행동 정보를 추출하는 단계를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
9 |
9
제1항에 있어서,상기 운전자 뇌파 정보와 상기 운전자 상황 정보를 매핑하여 운전자의 뇌의 인지 정보와 운전자가 습득한 시각 정보 간의 연관 관계를 분석하는 단계는,상기 추출한 운전자 상황 정보와 상기 추출한 운전자 뇌파 정보를 CNN 리그레서(regressor)를 이용하여 맵핑하는 단계를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
10 |
10
제1항에 있어서,주행하고 있지 않은 상태의 운전자로부터 측정한 뇌파 및 상기 연관 관계에 기초하여 상기 운전자의 현재 감정에 대응하는 영상을 생성하는 단계를 더 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 방법
|
11 |
11
제1항 내지 제10항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에서 판독 가능한 기록 매체
|
12 |
12
운전자로부터 측정한 뇌파를 획득하는 뇌파 획득부;상기 획득하는 뇌파로부터 상기 운전자의 인지 정보 또는 반응 정보를 포함하는 운전자 뇌파 정보를 추출하는 운전자 뇌파 정보 추출부;신경망을 이용하여 차량에 설치된 카메라로부터 촬영되는 영상으로부터 운전자 상황 정보를 추출하는 운전자 상황 정보 추출부;상기 운전자 뇌파 정보와 상기 운전자 상황 정보를 매핑하여 운전자의 뇌의 인지 정보와 운전자가 습득한 시각 정보 간의 연관 관계를 분석하는 연관 관계 분석부; 및상기 분석된 연관 관계를 이용하여 자율주행 차량에 대한 복합 인터렉션을 수행하는 인터렉션 처리부를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
13 |
13
제12항에 있어서,운전자 뇌파 정보는,상기 운전자의 인지 정보 또는 반응 정보를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
14 |
14
제12항에 있어서,상기 운전자 상황 정보는,상기 운전자의 상태 정보 또는 행동 정보를 포함하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
15 |
15
제12항에 있어서,자율주행 차량의 외부에 대한 외부 센싱정보를 획득하는 외부 센싱부를 더 포함하고,상기 인터렉션 처리부는,상기 분석된 연관 관계에 상기 획득한 외부 센싱정보를 추가 반영하여 자율주행 차량에 대한 복합 인터렉션을 수행하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
16 |
16
제12항에 있어서,상기 운전자 상황 정보 추출부는,GAN(Generative Adversarial Networks) 기반의 LSTM(Long Short-Term Memory models) 인코더 네트워크를 이용하여, 상기 획득하는 뇌파로부터 운전자 인지 정보 또는 반응 정보를 추출하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
17 |
17
제12항에 있어서,상기 운전자 뇌파 정보 추출부는,시간 분석을 기반으로 하는 LSTM을 이용하는 인코더 네트워크(encoder network)를 학습하여, 비전-BCI 정보 학습을 위한 연계 네트워크를 생성하고, 상기 생성된 연계 네트워크를 이용하여 상기 뇌파로부터 상기 운전자 뇌파 정보를 추출하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
18 |
18
제12항에 있어서,상기 연계 네트워크는,뇌파를 입력으로 하여 벡터 형태의 운전자 뇌파 정보를 출력하는 RNN(Recurrent Neural Networks) 기반의 네트워크인 것을 특징으로 하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
19 |
19
제12항에 있어서,상기 운전자 상황 정보 추출부는,사전에 학습된 CNN을 사용하여 상기 영상으로부터 상기 운전자의 상태 정보 또는 행동 정보를 추출하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|
20 |
20
제12항에 있어서,상기 연관 관계 분석부는,상기 추출한 운전자 상황 정보와 상기 추출한 운전자 뇌파 정보를 CNN 리그레서(regressor)를 이용하여 맵핑하는 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치
|