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 차량에서 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 포함하고,상기 확장 칼만필터 모듈은,상기 차량의 예상 동적정보에 대한 예상 모델을 제공하는 예측모델 제공부;를 포함하며,상기 예측모델 제공부에서 제공되는 예측모델은,상기 차량이 움직이지 않거나 속도가 '0'인 상황을 나타내는 일정 위치 모델(CL);상기 차량의 현재위치와 차량 이동 방향에 있는 가장 가까운 교차로에서의 거리를 가진 차량이 일정 속도로 이동할 때 차량의 상황을 나타내는 일정 속도 모델(CV);상기 차량이 일정한 가속도(a)를 가지고 이동할 때 차량의 상황을 나타내는 일정 가속도 모델(CA);상기 차량이 일정한 가속도에서 일정 시간 동안 가속도 변화를 가지고 이동할 때의 상황을 나타내는 일정 저크 모델(CJ);상기 차량의 SDN 제어장치에게, 차량이 지속적으로 회전을 하거나, 정션(jungtion), 인터섹션(intersection) 및 가장 오른쪽, 왼쪽 또는 중간의 차선번호의 매개 변수를 사용하여, 동일한 도로 상에서 직진할 것임을 표현하는 차량의 터닝 모델(VT);을 포함하고,상기 확장 칼만필터 모듈의 상기 IMM부는,상기 예측모델 제공부에서 제공하는 상기 예측모델을 이용하여 업데이트 과정을 수행하고, 예측오차를 수정하는 피드백 과정을 반복하며,상기 예측모델에 포함되는 각 상기 일정 위치 모델(CL), 일정 속도 모델(CV), 일정 가속도 모델(CA), 일정 저크 모델(CJ) 및 차량의 터닝 모델(VT)에 따른 발생 확률을 계산하고, 상기 계산된 확률을 사용하여 어느 모델이 차량의 위치 예측에 지배적일지 식별하고,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 각 모델의 확률을 계산하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템.

삭제

삭제

삭제

제1항에 있어서,상기 IMM부는,하기의 식 7에 따른 상태 전환 매트릭스를 통해 각 모델의 확률을 계산하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측시스템.{식 7}(CL: 일정 위치모델, CV: 일정 속도모델, CA: 일정 가속도 모델, CJ: 일정 저크 모델, VT: 차량 터닝 모델)

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.

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,상기 예측모델 제공부에서 제공하는 상기 예측모델을 이용하여 업데이트 과정을 수행하고, 예측오차를 수정하는 피드백 과정을 반복하며,상기 예측모델에 포함되는 각 상기 일정 위치 모델(CL), 일정 속도 모델(CV), 일정 가속도 모델(CA), 일정 저크 모델(CJ) 및 차량의 터닝 모델(VT)에 따른 발생 확률을 계산하고, 상기 계산된 확률을 사용하여 어느 모델이 차량의 위치 예측에 지배적일지 식별하고,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 각 모델의 확률을 계산하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법.

삭제

삭제

삭제

삭제

삭제

제7항에 있어서,상기 2단계는,하기의 {식 7}에 따른 상태 전환 매트릭스를 통해 각 모델의 확률을 계산하는,차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법.{식 7}(CL: 일정 위치모델, CV: 일정 속도모델, CA: 일정 가속도 모델, CJ: 일정 저크 모델, VT: 차량 터닝 모델)

청구항 13에 의한 차량 소프트웨어 정의 네트워킹에서 확장 칼만필터를 이용하는 차량 궤적 예측 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체.