Ego-vehicle speed prediction using long short-term memory based recurrent neural networks

Abstract

연비를 증가시키며 엄격해지는 배기가스 규제를 만족시키는 것은 파워트레인 제어 전략의 중요한 목표이다. 이를 위한 방법들 중 하나로 예측된 속도를 바탕으로 차량을 제어하여 에너지 관리를 효율적으로 하는 예측 에너지 관리 전략들이 있다. 예를 들어 하이브리드 차량의 에너지 분배의 경우, 차량의 미래 속도를 알고 있는 상태에서는 더욱 효율적으로 분배할 수 있다. 이러한 예측 파워트레인 제어를 하기 위해서는 차량의 정확한 미래 속도 예측은 필수적이고 제어 결과에 지배적인 영향을 미친다. 하지만 차량의 미래 속도 예측은 쉽지가 않다. 차량 속도의 경우, 운전자가 주행환경에 반응 하는 것이 가장 중요한 요소인데 주행환경을 구성하는 요소는 셀 수 없이 다양하기 때문이다. 또한 무엇보다 운전자의 반응은 불확실성을 내포하고 있어, 같은 주행조건이라 할지라도 다른 속도로 주행할 수 있기 때문에 차량속도를 예측하는 것은 쉽지가 않다. 이 논문에서는 보다 정확한 차량의 미래속도를 예측하기 위해서Long Short-Term Memory (LSTM) 기반의 Recurrent Neural Networks (RNNs)을 이용하여 속도 예측 모델을 설계하였다. 제안된 속도 예측 모델은 다양한 주행 환경에서의 예측 정확도를 증진시키기 위해서 차량 내부 정보뿐만 아니라, 전방 차량과의 상대 거리와 상대 속도, 자차의 위치 정보를 모델의 입력으로 사용하였다. 입력의 길이는 30초간의 연속된 주행 데이터였으며, 15초 뒤까지의 속도를 예측하였다. 다양한 곡선 주행로와 앞차 추종 상황 등이 포함되는 실제 도로 주행 데이터를 바탕으로 모델의 성능을 검증하였다. 모델의 예측 정확성을 검증하기 위해서 등속, 등가속도, Artificial Neural Networks (ANNs) 모델과 예측 정확도를 비교하였다. 또한, 임베디드 시스템을 이용하여 모델의 실시간성 또한 검증 되었다. 그 결과, 모델의 예측 정확도는 기존 모델들에 비해 개선되었으며, 모델 계산시간이 임베디드 시스템 환경에서 60.2 ms 였음을 확인하였다. 마지막으로 입력 인자들에 대한 예측 정확도를 분석하였다. 앞 차와의 상대 속도, 거리는 전방 차량 추종상황에서 예측 정확도를 개선함을 알 수 있었고, 자차의 위치 정보는 곡선 주행로에서 예측 정확도를 비약적으로 증진 시킬 수 있음을 확인하였다.; For the predictive powertrain control, the accurate prediction of the vehicle speed is required. As vehicle speed prediction is affected by the driver’s response to numerous driving conditions under uncertainty, the development of an accurate model is quite challenging. This paper proposes an ego-vehicle speed prediction model using long short-term memory (LSTM) based recurrent neural networks (RNNs). The proposed model uses various inputs to increase the prediction accuracy: internal vehicle information, the relative speed and the distance to the vehicle ahead measured by a radar sensor, and the ego-vehicle location estimated by the GPS signal and B-spline roadway model. The LSTM based RNNs model predicts ego-vehicle speed for 15 seconds by using inputs from the past 30 seconds. The prediction accuracy of the proposed model was evaluated with urban driving data along the prediction horizon. To prove the prediction accuracy, prediction result was compared to previous studies: constant speed (CS) model, constant acceleration (CA) model, artificial neural networks (ANNs). Also, the real-time performance of the model was validated in process-in-the-loop simulation by using the embedded system. Moreover, effect of input combination of the model for prediction accuracy was investigated for the three scenarios: car-following, sharp curve road, full path. In all the scenarios, the radar sensor and the information of the location of the ego-vehicle contribute to the improvement of the speed prediction accuracy. Thus, we conclude that for the application of the predictive powertrain control, besides the internal vehicle information, the radar sensor, and the location of the ego-vehicle information critical inputs to the speed prediction model.