모델 예측 제어 주행 데이터 기반 인공신경망을 통한 자율주행 차량의 드리프트 거동 제어 기법 연구 :A Study on the Drift Control Method of Autonomous Vehicles through Artificial Neural Network Based on Model Predictive Control Driving Data

이진영

추천

검색

자료유형: 학위논문

저자정보: 이진영 (국민대학교, 국민대학교 자동차공학전문대학원)

지도교수: 강연식

발행연도: 2021

저작권: 국민대학교 논문은 저작권에 의해 보호받습니다.

이용수47

이 논문의 연구 히스토리 (2)

2021

모델 예측 제어 데이터를 이용한 미끄러짐 상황에서의 인공신경망 기반 차량 거동 제어 기법 연구

이진영 , 강연식 한국자동차공학회 춘계학술대회 2021.06 학술대회자료

모델 예측 제어 주행 데이터 기반 인공신경망을 통한 자율주행 차량의 드리프트 거동 제어 기법 연구

이진영 2021.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

운전자의 개입이 없는 완전 자율주행 단계에서는 다양한 상황에서의 안정적인 주행이 중요하다. 그리고 여러 주행 상황 중 현재 사고 사망률이 높은 미끄러운 노면에서의 차량 단독사고를 예방하는 것이 자율주행 신뢰도 향상에 매우 중요한 부분이다. 때문에 차체 미끄럼 각이 과도하게 발생하는 상황에서 휠 슬립과 차체 미끄럼 각을 유지하며 주행하는 전문가 운전 기법인 드리프트 주행 기법을 적용하면 자율주행 차량의 사고를 예방하고 소비자들의 자율주행 신뢰도 향상에 기여할 수 있다.
이에 본 논문은 전문가 운전 기법인 드리프트 제어 기법을 모델 예측 제어기를 통해 주행한 데이터를 취득하여, 이를 바탕으로 학습시킨 인공신경망 드리프트 제어기를 통해 모델 예측 제어기와 유사한 제어 결과를 얻는 것을 목표로 한다. 네트워크 학습을 위해 모델 예측 제어 기법을 통해 수행한 드리프트 주행 결과에서의 차량의 위치, 속도, 가속도 등의 데이터와 차량의 자세 정보, 모델 예측 제어를 통해 얻은 차량 제어 입력값 등의 데이터를 얻는다. 그리고 이 데이터를 활용해 네트워크를 학습하고 기존 제어기를 인공신경망 기반 제어기로 대체하여 드리프트 제어를 진행한다. 그 결과 인공신경망 기반 드리프트 제어기가 모델 예측 제어기와 유사한 제어 입력값을 산출하여 드리프트 상황에서 차량의 자세를 제어하며 안정적으로 경로를 추종하는 것을 확인했다.
또한 차량의 상태가 학습 데이터 취득 시와 다른 상태가 되어도 인공신경망 제어기가 드리프트 평형점을 추종하며 안정적으로 차량 제어가 가능함을 확인했고, 기존 NMPC 제어기의 드리프트 평형점 데이터보다 적은 데이터를 사용하며 모델 의존성 또한 낮아짐을 확인했다. 이러한 인공신경망 기반 드리프트 제어기를 자율주행 차량 또는 현재 운전자 보조시스템에 적용하여 차량 미끄럼 각이 과도하게 발생하는 한계 주행상황에서의 안정적인 차량제어를 통해 자율주행 차량의 안정성 확보에 기여할 것으로 기대한다.

In the fully autonomous driving stage where driver intervention is required, stable driving in various situations is important. Among various situations, preventing single vehicle accidents on slippery roads, where the current accident death rate is high, is a very important part for improving the reliability of autonomous driving. Therefore, if the drift driving technique, which is an expert driving technique that maintains the wheel slip and body slip angle, is applied in a situation where the body slip angle is excessive, it can prevent accidents of autonomous vehicles and contribute to the improvement of self-driving reliability of consumers.
This paper aims to obtain control results similar to the model predictive controller through the artificial neural network drift controller trained based on the acquired drift state vehicle data through the model predictive control. For artificial neural network learning, data such as vehicle position, speed, and acceleration, vehicle posture information, and vehicle control input values are obtained from the drift driving results performed through the model predictive controller. Then, the artificial neural network is trained using this data and drift control is performed by replacing the original model predictive controller with an artificial neural network-based controller. As a result, it was confirmed that the artificial neural network-based drift controller calculates a control input value similar to that of the model predictive controller, controls the vehicle posture in a drift situation, and follows the path stably.
In addition, it was confirmed that the artificial neural network controller tracks the drift equilibrium point and can control the vehicle stably even if the vehicle''s state is different from that at the time of acquiring the learning data. And it uses less data than the drift equilibrium point data of the NMPC controller, and the model dependence is lowered. By applying such an artificial neural network-based drift controller to an autonomous vehicle or current driver assistance system, it is expected to contribute to securing the stability of an autonomous vehicle through stable vehicle control in a limiting driving situation where the vehicle side slip angle is excessive.

1. 서론 1
1.1. 연구배경 1
1.2. 연구동향 2
1.3. 연구 목표 5
2. 스케일 카 실험 환경 6
2.1. 개요 6
2.2. 실험 환경 구성 6
2.2.1. 1:10 스케일 카 플랫폼 6
2.2.2. 제어 시스템 구성 8
3. 비선형 차량 모델 분석 10
3.1. 개요 10
3.2. 차량 모델 10
3.2.1. 3자유도 바이시클 모델 10
3.2.2. 브러쉬 타이어 모델 11
3.3. 차량 모델 파라미터 추정 및 검증 14
3.3.1. 타이어 코너링 강성 추정 14
3.3.2. 차량 모델 파라미터 검증 16
3.4. 드리프트 평형 상태 분석 20
4. 모델 예측 제어 데이터 기반 인공 신경망 제어기 설계 23
4.1. 개요 23
4.2. 학습 데이터 취득을 위한 모델 예측 제어 23
4.2.1. 경로 추종을 위한 조향 제어기 23
4.2.2. 모델 예측 제어 기반 후륜 구동력 제어 25
4.2.3. 시뮬레이션 결과 27
4.3. 인공신경망 30
4.4. 단일 인공신경망 기반 드리프트 제어기 32
4.4.1. 개요 32
4.4.2. 학습을 위한 데이터 전처리 33
4.4.3. 단일 인공신경망 기반 드리프트 제어기 설계 36
4.4.4. 단일 인공신경망 기반 드리프트 제어기 시뮬레이션 결과 37
4.5. 다중 인공신경망 기반 드리프트 제어기 40
4.5.1. 개요 40
4.5.2. 학습을 위한 데이터 전처리 41
4.5.3. 다중 인공신경망 기반 드리프트 제어기 설계 44
4.5.4. 다중 인공신경망 기반 드리프트 제어기 시뮬레이션 결과 45
5. 결론 54
참고문헌 56

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)