기계 학습을 통한 구동 토크 예측 기반 속도 프로파일 최적화

Abstract

차량 주행 개선을 위한 주행 데이터와 도로/교통 인프라 정보 등을 활용한 차량 속도 최적화 기술은 에너지 효율성과 동시에 주행 안정성까지 향상 시킬 수 있어 모빌리티 산업의 새로운 패러다임으로 제안되고 있다. 특히, 대중교통, 운송 차량 같이 동일한 경로를 반복적으로 주행하는 목적 기반 차량에서 그 효과는 더욱 두드러지게 나타나며, 주행 구간에서 소모되는 에너지 총량을 보다 정확하게 예측할 수 있어 에너지 관리 측면에서도 이점을 갖는다.

본 연구에서는 차량 속도 최적화를 위해 전역 최적화 방법인 동적계획법을 활용한다. 일반적으로 동적계획법을 활용해 최적화 문제를 해결하려면 에너지 소모량을 정확하게 계산하기 위한 종방향 차량 동역학 모델이 ​​필요하다. 그러나 종방향 차량 동역학 모델은 구름 저항, 공기 저항, 구배 저항의 비선형성으로 인해 실제 차량의 동적 특성을 정확히 반영하기 어렵다. 따라서 본 연구에서는 실제 차량 주행 데이터로부터 학습된 기계 학습 모델을 활용한 차량 속도 최적화 방법을 제안한다.

제안된 방법은 차량 시뮬레이션 소프트웨어인 CarMaker를 활용해 실차 주행과 흡사한 주행 환경이 구축된 시뮬레이션을 통해 검증된다. 동적계획법을 통한 최적 속도 프로파일 도출 과정에서 도로 정보에 의한 여러 제한조건들을 추가하여 차량의 주행 안정성과 승차감을 확보하였다. 도출된 최적 속도 프로파일은 일반적인 정속주행(Cruise Control) 대조군과 비교하여 본 연구의 효용성을 확인하였다.| A number of studies have been suggested that the vehicle optimal speed profile for a given route is derived with dynamic programming(DP) to improve vehicle drive. In general, solving optimization problems requires a vehicle dynamics model to accurately calculate energy consumption. However, this model cannot exactly reflect the real characteristics of vehicle dynamics because of the nonlinearity of rolling resistance, air resistance, and gradient resistance. Therefore, this study proposes vehicle speed optimization using machine learning network model which learned from actual vehicle driving data. The performance of the proposed method is verified by simulation that driving environment corresponding to the real driving conditions is duplicated. The effectiveness of optimal speed profile driving is evaluated by comparing with the conventional cruise control driving. As a result, the battery energy consumption improves to 8.4% by driving with the optimal speed profile for a given route of 27.3km.