메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

이택규 (국민대학교, 국민대학교 자동차공학전문대학원)

지도교수
강연식
발행연도
2020
저작권
국민대학교 논문은 저작권에 의해 보호받습니다.

이용수54

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (4)

2020

비선형 모델예측제어 데이터에 기반한 실시간 심층 인공신경망 자율주행 제어기법 개발
이택규 ,  강연식 제어로봇시스템학회 논문지 2020.05 학술저널
한계 주행 상황에서 인공신경망 기반의 실시간 자율주행 차량 거동 제어 기법 개발
이택규 친인간지능형자동차전공 2020.01 학위논문

2019

자율주행 차량의 급격한 조향 시 속도 감소를 고려한 비선형 모델예측제어 기반 차량 거동제어 전략
이택규 ,  김민규 ,  강연식 한국자동차공학회논문집 2019.02 학술저널

2017

자율주행 차량의 급격한 조향을 고려한 비선형 모델예측제어 기반 차량거동제어 전략
이택규 ,  김민규 ,  강연식 한국자동차공학회 추계학술대회 및 전시회 2017.11 학술대회자료

초록· 키워드

오류제보하기
최근 출시되는 대다수의 차량이 미국자동차공학회(SAE) 자율주행 단계 기준 2단계의 부분적 자율주행 기능을 탑재할 정도로 자율주행 기술은 급격한 속도로 우리의 생활과 밀접해지고 있다. 사람들에게 자율주행 기술이 익숙해지며 기대감이 높아지고 있는 가운데, 전 세계의 수많은 연구기관 및 기업에서는 이에 부응하는 기술의 개발을 위하여 적극적인 연구 및 투자를 이어가고 있으며, 일반상황에서의 자연스러운 주행 능력 및 긴급상황 시 전문가 운전자 수준의 주행능력을 발휘할 수 있는 것을 목표로 하고 있다.
지금까지 차량의 거동 제어를 위한 알고리즘 연구는 대부분 차량의 동역학적 모델 및 제어 알고리즘의 수식을 기반으로 수행되는 규칙 기반 제어 알고리즘이 주류를 이루어 연구되었다.
이는 제어하고자 하는 차량의 거동을 예측할 수 있는 동역학 모델 및 이를 위한 파라미터, 그리고 주행 알고리즘의 정확한 세팅 등이 필수적이다. 차량의 동역학적 파라미터는 주행 중 차량의 상태 및 외부환경에 의해 지속해서 변할 수 있으며, 이러한 변화 요소는 자율주행 차량 거동 제어 알고리즘의 성능 하락으로 이어질 수 있다. 특히 섬세한 제어가 필요한 경우 더욱 많은 영향을 받게 된다.
또한, 최적화 기반의 제어 기법과 같이 몇몇 기존 제어 알고리즘은 연산 시간의 예측이 어려울 뿐만 아니라 제어기의 성능과 연산 시간 사이의 trade-off 관계에서 조율해야만 한다. 이러한 특징은 실시간 제어에 영향을 줄 수 있거나 충분한 제어 능력을 발휘할 수 없게 만들어 제어 알고리즘의 실질적인 사용을 어렵게 한다.
본 연구에서는 기존 차량 제어 알고리즘의 주행데이터뿐만 아니라 전문가 운전자의 주행데이터를 활용한 데이터 기반 제어 기법을 제시하여 제어 기법 완성까지의 복잡한 개발 및 동작 환경에 따른 제어 성능의 하락과 같은 기존 규칙 기반 제어 알고리즘이 가진 한계점을 보완하고자 한다.
데이터 기반 제어 알고리즘을 위한 인공지능 기법으로는 기계학습 기법의 하나인 인공신경망(Artificial Neural Network) 기법을 사용하였다. 인공신경망 기법은 생명체의 신경세포망에 착안하여 개발된 기법으로 인공신경망을 이루는 각각의 인공 뉴런에 가중치 부여 및 연산을 하여 신경망의 입력에 대한 결과를 도출한다.
챕터 2와 챕터 3에서는 비선형 모델예측제어 기법의 개발과 주행데이터 획득 및 학습을 진행하였다. 비선형 모델예측제어 기법은 차량 모델 및 최적화 알고리즘을 통해 현재 차량의 상태를 기반으로 최적의 제어 입력을 발생시킬 수 있다. 하지만 특정 조건이 만족할 때까지 거동 예측 및 최적화 연산을 반복하는 최적 제어 알고리즘의 특성상 연산 시간을 특정할 수 없으며 상황에 따라 실시간 제어에 실패할 수 있다는 위험성이 존재한다. 인공신경망은 다량의 데이터를 네트워크에 학습하는 과정에서 시간이 많이 필요하지만, 학습 후 일련의 네트워크를 통과하는 연산 과정만을 거치기 때문에 예측 가능한 연산 시간을 보장할 수 있다. 본 챕터에서는 인공신경망 학습을 통하여 비선형 모델예측제어 기법을 매우 비슷하게 모사할 수 있으며, 실시간 제어가 가능함을 확인하였다.
챕터 4와 챕터 5에서는 드리프트 제어 기법에 대한 소개와 전문가 운전자의 드리프트 주행데이터 취득 및 학습을 진행하였다. 드리프트 제어는 숙련된 운전자만이 구사할 수 있는 주행 기술로 차량의 횡 방향 미끄러짐을 제어하며 “오버스티어”의 상태로 선회를 하는 주행 기술이다. 기존 드리프트 제어 기법은 정확한 차량의 동역학적 모델 및 파라미터 그리고 섬세하게 제어할 수 있는 제어 알고리즘이 필요하며, 이를 위하여 수많은 계측 및 알고리즘 튜닝 과정이 필요하다. 본 챕터에서는 전문가 운전자의 주행데이터 및 그때의 차량 상태를 학습하여 차량 모델 및 제어 파라미터 측정 없이 자율주행 드리프트가 가능한지 확인하였으며, 차량 모델로부터 자유로운 제어 기법을 제시한다.
개발된 인공신경망 제어 기법의 검증은 시뮬레이션 및 스케일 카 기반의 자율주행 테스트 환경에서 진행하였으며, 이를 통하여 데이터 기반의 자율주행제어 기법을 이용하여, 기존 규칙 기반 제어 기법의 보완 및 대체가 가능함을 확인하였다.

목차

1 서 론 1
1.1 연구 배경 1
1.2 관련 연구 4
1.2.1 운전자 주행데이터 학습 5
1.2.2 데이터를 이용한 적응형 제어 기법 6
1.2.3 시스템 모델에 대한 학습 연구 7
1.2.4 기존 제어 기법 학습 9
1.3 연구 목표 10
1.3.1 비선형 모델예측제어 기반 인공신경망 제어 기법 개발 10
1.3.2 전문가 운전자 드리프트 주행데이터 기반 인공신경망 드리프트 제어 기법 개발 11
2 비선형 모델예측제어 기법 설계 14
2.1 비선형 모델예측제어 기법 개요 14
2.2 비선형 모델예측제어 기법 차량 거동예측모델 16
2.2.1 기존 차량 거동예측모델의 한계점 18
2.2.2 개선된 차량 거동예측모델 검증 20
2.3 최적 제어를 위한 비용 함수 구성 23
2.4 비선형 모델예측제어 기법 시뮬레이션 24
2.4.1 비선형 모델예측제어 기법 시뮬레이션 환경 25
2.4.2 기존 알고리즘과 개선된 알고리즘 시뮬레이션 비교분석 26
2.5 1:43 스케일 카 환경 알고리즘 테스트 31
2.5.1 스케일 카 실험 환경 구성 31
2.5.2 스케일 카 테스트 시나리오 34
2.5.3 스케일 카 테스트 결과 분석 35
3 비선형 모델예측기법 데이터 기반 인공신경망 제어 기법 41
3.1 인공신경망 41
3.1.1 인공신경망 개요 41
3.1.2 인공신경망 필요성 43
3.2 비선형 모델예측제어 기법 학습을 위한 인공신경망 구조 설계 45
3.2.1 인공신경망 은닉 계층 설계 45
3.2.2 인공신경망 파라미터 구성 47
3.3 인공신경망 학습을 위한 학습 데이터 구성 48
3.4 인공신경망 학습을 위한 학습 데이터 취득 50
3.5 인공신경망 기반 제어 기법 시뮬레이션 52
3.5.1 시뮬레이션 시나리오 1 검증 결과 54
3.5.2 시뮬레이션 시나리오 2 테스트 결과 61
3.5.3 시뮬레이션 테스트 시나리오 3 검증 결과 63
3.5.3.1 장애물 회피를 위한 비선형 모델예측제어 기법 개발 63
3.5.3.2 시뮬레이션을 통한 장애물 회피 시나리오 학습 데이터 취득 64
3.5.3.3 시뮬레이션 시나리오 3 주행 결과 67
3.6 인공신경망 제어 기법 스케일 카 검증 72
3.6.1 스케일 카 주행데이터 획득 72
3.6.2 스케일 카 기반 알고리즘 검증 73
4 전문가 운전자 데이터 기반 인공신경망 드리프트 제어 기법 개발 79
4.1 드리프트 개요 79
4.2 드리프트 제어 기법 타당성 분석 84
4.2.1 학습 데이터 취득을 위한 드리프트 제어 시뮬레이션 84
4.2.2 인공신경망 설계 85
4.3 전문가 운전자 데이터 기반 인공신경망 드리프트 제어 기법 개발 89
4.3.1 드리프트 데이터 취득 환경 89
4.3.2 드리프트 데이터 취득 및 전처리 90
4.3.3 스케일 카 검증 테스트를 위한 인공신경망 설계 96
4.3.3.1 상태 추종 기반 드리프트 제어 인공신경망 96
4.3.3.2 중심점 추종 기반 드리프트 제어 인공신경망 99
4.3.4 스케일 카를 통한 인공신경망 기반 제어 기법 검증 101
4.3.4.1 인공신경망 기반 제어 기법 검증 시나리오 101
4.3.5 인공신경망 기반 드리프트 제어 기법 검증 결과 103
4.3.5.1 검증 시나리오 1 103
4.3.5.2 검증 시나리오 2 106
4.3.5.3 검증 시나리오 3 109
4.3.6 인공신경망 검증 결과 115
5 결론 116
참고문헌 119
Abstract 124

최근 본 자료

전체보기

댓글(0)

0