인천대학교 인디고클랫폼 인천대학교 기술지원허브

차량의 동역학적 모델에 영향을 미치는 요소는 매우 다양함 : 차량의 질량, 관성 모멘트, 차체, 섀시(Shassis), 서스펜션(Suspension), 파워트레인, 타이어 특성 등 또한, 동일한 종류의 차량이라도 차량의 부품이 노후화된 정도에 따라 동역학적 모델에 차이가 발생할 수 있음 또한, 동일한 차량이라도 주행 환경(우천, 노면의 젖은 정도 등)에 따라 동역학적 특성이 달라질 수 있음 보통 이상적인 환경에 대한 가정을 적용하고 동역학적 모델을 수학적으로 모델링 하는 경우에는 위의 다양한 요소들을 모두 고려하기 어려우며, 따라서 실제 운전 시나리오들에서 자율주행 차량을 정확히 모델링 하는 것은 어려움 (여기서 모델링이라 함은 차량의 동역학적 특성을 표현하는 수식 및 파라미터를 설정하는 것을 의미) 여러 상황에서 반복적인 테스트를 수행하고 획득한 데이터에 기반하여 모델링을 하는 접근 방법도 존재하나, 이는 시간적, 비용적, 공간적 한계가 존재함 다양한 조건에서 차량의 동역학적 특성을 효과적으로 반영할 수 있는 모델을 효율적으로 생성해내는 방법이 필요한 상황임 본 발명은 차량의 자율주행 데이터에 기반하여 동역학적 모델을 추정할 수 있는 방법을 제안함 구체적으로 자율주행 logging data를 활용해서 차량의 동역학적 모델을 생성(추정)하고, 이를 평가할 수 있는 방법을 제안함

차량이 동장 중에 EPS에서 출력값인 steering wheel angle 를 받을 수 있다. 이때 EPS 시스템은 EPS 모터의 단자전압 를 입력으로 받는다. IMM은 다중필터로 여기서는 여러 개의 Kalman filter로 구성되어있다. 각각의 Kalman filter들은 고유의 고장필터모델들로 설계되어있으며 시스템이 적합한 고장상태가 되었을 때, 해당되는 고장모델의 확률이 증가한다. Bayesian 확률 이론에 근거하여 Markov 확률 분포에 따라 모델들이 상호작용을 일으켜 비용효율적으로 시스템을 추정할 수 있다. 이러한 IMM filter는 시스템의 입력과 출력을 기반으로 모델들의 적합도를 likelihood function을 통해 나타낼 수 있다. 현재 시스템 특성에 가장 적합하다고 판단되는 모델이 현재 시스템의 고장상태인 것이다. 확률적으로 시스템의 상태를 추정하는 IMM filter는 단일 필터를 이용한 추정 방식과 비교하여 여러 고장상황에 대해 유연하게 대처할 수 있다는 것이 장점이다. 만약 한가지 고장상황이 아닌 둘 이상의 고장이 복합적으로 발생하는 상황이라면 여기서 제안하는 방식인 PCIMM을 적용하는 것이 적합하다. PCIMM은 동시에 일어나는 여러 고장상황을 미리 범주화하여 고장을 설계하고 그에 따라서 복합고장을 검출하고 진단하는 것이 가능하다. 위 그림에서는 하나의 예시로 두 가지의 복합고장에 대한 PCIMM의 블록선도를 나타내었는데, 먼저 Parameter IMM에서는 EPS의 파라미터 고장, 즉 steering wheel, rack, pinion의 마찰력 증가, EPS 모터의 전기적 저항 증가 등에 대한 고장을 진단할 수 있으며, QR IMM에서는 EPS의 출력 센서의 노이즈 증가 고장을 진단할 수 있게 설계되었다. 이러한 두 가지 형태로 설계된 IMM은 PCIMM이라는 하나의 시스템에 묶여 병렬적으로 각각의 고장을 진단하며 이 두 가지의 mode probability를 기반으로 하나의 interacted mode probability를 도출해 내어 정확한 시스템의 고장상태를 판단할 수 있다.