딥러닝을 이용한 자율 주행 차량의 외란 보상

Abstract

본 학위논문에서는 자율 주행 차량의 외란(disturbance)에 대해 분석하고, 완벽하게 제거하기 어려운 부정합 외란(unmatched disturbance)의 보상 방법에 대해 제안한다. 횡 방향 동역학 모델은 여러 가지가 연구되고 있으며, 최근에는 사람의 운전 전략을 모방하는 방법이 제안되고 있다. 그 중, look-ahead의 개념을 도입한 횡 방향 동역학 모델은 사람이 전방의 특정 지점(look-ahead point)을 보면서 차선을 유지하는 방법을 모사한 모델이다. 이 횡 방향 동역학 모델은 차량의 안정적인 움직임을 도와준다. 하지만, 이 모델의 단점은 곡선 도로에서 제거하기 어려운 부정합 외란을 발생시키는 것이다. 부정합 외란은 도로의 곡률(curvature)로 인해 항상 존재하게 되는데, 이러한 부정합 외란으로 인해 피드백(feedback) 제어만을 이용한 차선 유지 시스템은 곡선 도로 상에서 차선 중심을 유지 하는 데 있어 일정한 오차(steady-state error)를 갖는다. 따라서, 우리는 곡선 도로에서 자율 주행 차량의 부정합 외란을 보상하는 새로운 전략을 제시한다. 외란은 크게 정합 외란(matched disturbance)과 부정합 외란(unmatched disturbance)으로 나뉠 수 있다. 정합 외란은 제어기나 외란 관측기 등을 통해 제거할 수 있다. 하지만 부정합 외란은 전통적인 제어 기법으로 완전히 보상할 수 없다. 따라서, 본 논문에서는 자율 주행 차량의 부정합 외란을 보상하기 위해, deep neural network을 이용하였다. Deep neural network는 곡선 도로에서 부정합 외란을 보상하는 부가적인 제어 입력을 생성한다. 이 부가적인 입력은 기존 제어기에서 출력된 값에 더해져서 시스템에 입력되게 된다. 따라서 제안하는 전체 시스템은 전통적인 제어 시스템에 feed-forward 형태로 추가적인 입력이 더해지게 되며 이 추가적인 입력은 deep neural network를 통해 계산된다. 본 학위논문에서 제안하는 이러한 방법은 차선 유지 시스템에서 부정합 외란을 보상하는 유일한 방법이다. 제안한 알고리즘은 이중 차선 변경과 지속적인 왼쪽 곡선의 경로를 통해 성능을 검증 하였다. 두 경로 모두 training dataset에 포함되지 않은 경로이며, 이를 통해 deep neural network의 training 결과를 검증하였다. 또한, 우리는 모의 실험을 통해 제안한 방법을 사용하였을 때, 곡선 도로에서 횡 방향 오차를 약 50% 감소시키는 것을 확인할 수 있었다.