LSTM을 이용한 HILS 데이터 판정 자동화 모델 개발에 대한 연구

Abstract

본 논문에서는 RNN(Recurrent Neural Networks)의 일종인 LSTM(Long Short-Term Memory)을 이용해 HILS(Hardware In the Loop Simulation) 데이터의 TestCase(T/C) 분류 및 Pass/Fail(P/F) 여부를 판정하는 모델 개발에 대한 내용을 다룬다. 최근 자동차 분야에서는 자율 주행 기술의 발전과 전기 자동차로의 패러다임 변화로 인해 자동차 기능의 다양성과 복잡도가 크게 증가하였다. 자동차 제조사들은 효과적인 기능 개발과 검증을 위해 HILS 시스템을 이용하여 기능을 개발하고 있지만, 기능의 다양성과 복잡도로 인해 시험 데이터의 결과 판정에 많은 자원이 투입되고 있다. 본 논문에서는 이런 문제를 극복하기 위해 최근에 각광받고 있는 인공지능 기술의 하나이자, 시간 순서로 입력되는 다변수 데이터 처리에 강점이 있는 LSTM을 이용하여 HILS 데이터 판정을 자동화할 수 있는 모델을 제안하고자 한다. 판정 자동화 모델은 1,878개의 다변수-시계열 HILS 데이터와 LSTM 학습 알고리즘을 사용하여 학습하였고, 학습 완료된 판정 자동화 모델은 데이터의 T/C 분류와 P/F 여부를 판정하도록 하였다. 모델의 성능 검증을 위해 547개의 데이터를 이용해 LSTM 알고리즘 모델의 성능을 머신러닝 알고리즘인 KNN 알고리즘 모델과 Accuracy, Precision, Recall, F1-score 지표를 통해 비교하였으며, LSTM 알고리즘의 은닉층 수가 50 일 때와 100 일 때의 모델의 성능 또한 비교하였다. 전체적으로 LSTM 알고리즘 모델이 KNN 알고리즘 모델에 비해 좋은 성능을 보였으며, 은닉층 수가 100 일 때 학습시간이 약 1.4배 길었지만, 일부 성능이 개선됨을 확인하였다. 제안된 모델의 구현은 상용 소프트웨어인 MATLAB Deep Learning Toolbox를 사용해 구현하였다.