심층 신경망 기반 적응 필터를 이용한 차량의 종 방향 절대 속도 추정 알고리즘 연구

Abstract

자동차의 안전을 보장하고 운전자의 피로도를 감소하기 위해 다양한 능동 안전 기술들이 자동차에 적용되어 왔으며, 그 기능의 다양성도 확대되고 있다. 대표적으로 adaptive cruise control (ACC), anti-lock braking system(ABS), traction control system(TCS) 등을 포함한다. 이와 같은 능동 안전 시스템의 동작에 있어 차량 상태에 대한 정확한 정보 취득이 매우 중요하다. 예를 들어, ABS와 TCS 동작 시, 제어 변수인 slip ratio를 결정하기 위해 차량의 종 방향 속도 정보가 필수적으로 요구된다. Slip ratio를 일정 범위 내로 유지하면 바퀴와 노면 사이의 마찰 계수를 높은 값으로 유지할 수 있기 때문에 차량의 안전성과 성능 향상에 도움을 준다. 따라서, 차량의 종 방향 속도의 절대값을 정확하게 추정하게 되면, 차량의 성능과 안전성을 모두 향상시킬 수 있다. 본 연구는 두 개의 심층 신경망을 차량 가속도 크기에 따라 구분하여 사용하는 Dual Deep Neural Network (D-DNN) 방식을 사용하여 차량의 종 방향 속도를 추정하는 방법을 제안한다. 심층 신경망(DNN)은 차량의 종 방향 가속도와 휠 속도 정보를 이용하여 휠 슬립을 감지하고, 슬립 발생 여부와 차량 상태를 반영하여 적응 필터의 이득을 도출한다. 도출된 이득 값에 따라서 적응 필터가 차량 종 방향 속도를 추정하게 된다. 각 DNN 모델을 훈련하기 위해 사용된 데이터는 종 방향 가속도, 휠 속도, 이전 스텝의 필터 이득 및 이전 스텝의 속도 추정 값으로 구성된다. 다양한 휠 슬립 패턴을 내장한 데이터를 얻기 위해 눈, 비 등 네 가지 도로 상태에서 차량 가속과 감속 조건이 바꿔가며 데이터를 취득하였다. 다양하고 복잡한 주행 상황에 대응하기 위해, 하나의 DNN 모델이 아닌 두 개의 DNN 모델을 사용하되, 차량의 종 방향 가속도가 사전 설정한 기준값 보다 큰 경우와 작은 경우로 나누어 각 모델을 개별적으로 훈련시키고 선택적으로 사용한다. 본 연구에서 제안한 D-DNN 모델은 단일 DNN 및 일반적인 adaptive Kalman filter 방식 대비, 각각 속도 추정 오차가 74%와 65% 만큼 감소하였다.