< Previous김창희·채흥석·윤영민·이경수 자동차안전학회지:제14권,제2호,2022 (a) (b) Fig. 3 (a) Relative longitudinal position of target vehicle measured from ego vehicle and virtual target generation mode flag (b) Longitudinal speed of target & ego vehicle 차선 변경을 수행하여 두 차선 사이를 가로질러 주행한다. 차선 변경이 종료되어 완전히 주행 차선 내에 진입하면 자 차량은 cut in을 완료한 차량을 타겟 차량으로 하여 Fig. 2(d)와 같이 차간 거리 유지 기능을 수행한다. 양보 과정에서 상대 차량의 방향 지시등 상태에 따른virtual target 생성 여부와 자 차량의 종 방향 속도를 시간에 따라 나타낸 결과는 Fig. 3과 같다. 차선 변경 의도를 파악한 자 차량은 1~2초 시점에서 감속을 진행하고 정지한다. Target 차량은 정지 상태를 유지한 다음 6초 이후부터 가속하여 주행한다. 반면 ego vehicle은 virtual target및 주행 차선으로 넘어온 cut in 차량과의 충분한 안전 거리를 확보할 때까지 약 2초간 더 정지 및 저속 주행 상태를 유지한다. 이후 전방 추종 대상 차량이 cut in을 수행한 차량으로 바뀌고 안전거리가 확보 되면 자 차량은 다시 가속하여 차선 차간 거리 유지 주행 을 시작한다. 6. 결 론 본 연구에서는 차선 변경 의도를 가진 측 전방 차량에 대응하기 위한 V2V 통신 기반 양보 거동 계획 알고리즘을 소개하였고, 실험을 통해 자율주행 차량이 안전하게 목표 종 방향 거동을 추종함을 확인하였다. 실제 자율주행 차량 및 주변 일반 차량으로 구성된 실험을 통해 V2V통신을 이용하는 경우 차량 간 거리가 좁은 혼잡 교통류 주행 상 황에서 측 차선 차량이 주행 차선을 침범하기 전에 차선 변경 의도를 수신하고 정차 상태를 유지할 수 있음을 확인 하였다. 환경 센서와 더불어 차량 간 통신이 활성화될 경우 차 선변경뿐만 아니라 분기/합류로 및 교차로 주행에 있어서 도 보다 효율적이고 안전한 자율주행 기능 구현이 가능할 것으로 생각된다. 후속 연구 계획으로 가상 타겟 생성 알 고리즘의 고도화 및 추가 실험을 진행할 예정이다. 자 차 량과 인접한 종 방향 위치에서 측 차선 차량이 차선 변경 을 시도하는 경우 급격한 감속을 방지하도록 탑승자의 승 차감을 고려하여 타겟 위치를 능동적으로 생성하는 것을 목표로 한다. 후 기 본 연구는 국토교통부 및 국토교통과학기술 진흥원의 2018년 교통물류연구사업(18TLRP-B146733-01, 자 율주행기반 대중교통시스템 실증 연구)의 지원을 받아 연 구되었음을 밝히며, 이에 감사드립니다. 참고문헌 (1)Nagai, M., 2014, “Research into ADAS with Auto- nomous Driving Intelligence for Future Innovation”, 5 th International Munich Chassis Symposium 2014, pp. 779~793. (2)Darbha, S., Konduri, S., Pagilla, P. R., 2018, “Bene- fits of V2V Communication for Autonomous and Connected Vehicles”, IEEE International Conference on Intelligent Transportation Systems (ITSC), pp. 1954~1963. (3)Jung, C., Lee, D., Lee, S., Shim, D. H., 2020, V2X – Communication - Aided Autonomous Driving: System Design and Experimental Validation, Sensors, 20(10), 2903. (4)Hobert, L., Festag, A., Llatser, I., Altomare, L., Visintainer, F., Kovacs, A., 2015, Enhancements of V2X communication in support of cooperative autonomous driving, IEEE communications magazine, Vol. 53, No. 12, pp. 64~70. (5)Chae, H., Yi, K., 2020. Virtual Target-Based 혼잡 교통류에서의 V2V 기반 Cut-In 차량 양보 거동 계획 알고리즘 자동차안전학회지:제14권,제2호,2022 Overtaking Decision, Motion Planning, and Control of Autonomous Vehicles. IEEE Access, Vol. 8, pp. 51363~51376. (6)Chae, H., Jeong, Y., Kim, S., Lee, H., Park, J., Yi, K., 2018, Design and vehicle implementation of autonomous lane change algorithm based on probabilistic prediction. In 2018 21st International Conference on Intelligent Transportation Systems (ITSC), pp. 2845~2852. (7)Chae, H. S., Lee, M. S. and Yi, K. S., 2017, “Pro- babilistic prediction based automated driving motion planning algorithm for lane change”, 2017 17 th International Conference.◎ 논 문 http://dx.doi.org/10.22680/kasa2022.14.2.020 자율주행 인지 모듈의 실시간 성능을 위한 적응형 관심 영역 판단 이아영 * ·이호준 * ·이경수 **,† An Adaptive ROI Decision for Real-time Performance in an Autonomous Driving Perception Module † 자율주행관심영역점군집 데이터 처리 라이다 처리실시간 성능 ABSTRACT This paper represents an adaptive Region of Interest (ROI) decision for real-time performance in an autonomous driving perception module. Since the whole automated driving system consists of numerous modules and subdivisions of module occur, it is necessary to consider the characteristics, complexity, and limitations of each module. Furthermore, Light Detection And Ranging (Lidar) sensors require a considerable amount of time. In view of these limitations, division of submodule is inevitable to represent high real-time performance for stable system. This paper proposes ROI to reduce the number of data respect to computation time. ROI is set by a road’s design speed and the corresponding ROI is applied differently to each vehicle considering its speed. The simulation model is constructed by ROS, and overall data analysis is conducted by Matlab. The algorithm is validated using real-time driving data in urban environment, and the result shows that ROI provides low computational costs. * 서울대학교 기계공학부, 학생 ** 서울대학교 기계공학부, 교수 † 교신저자: 서울대학교 기계공학부 E-mail: ayoung1002@snu.ac.kr 1. 서 론 자율주행시스템이 보급됨에 따라, 자율주행자동차의 판단, 제어 기술은 자율주행차량의 인지 기술에 크게 의존 한다. (1) 빠르고 정확한 인지기술이 요구되며, 이를 위해서 는 차량의 거동 가능한 범위 내 모든 물체를 인지하여 주 변 환경에 대응들이 이루어져야 한다. 주변 차량의 거동상 황, 보행자 예측, 장애물 인지 등 모든 시나리오에 대한 대응들이 필요하다. (2) 자율주행차량의 시나리오들이 다 양해지면서, 각 시나리오들에 대처하기 위해 자율주행시 스템이 고도화되었다. (3) 자율주행시스템이 고도화되면서 많은 모듈이 생겨나고, 더욱 많은 데이터와 연산을 요구한 다. (4) 반면 자율주행은 실시간 처리능력이 필수적으로 요 구되는데, 전체 자율주행시스템의 처리시간은 데이터양 과 시스템 연산량에 비례하므로 시스템이 각 기술에서의 처리시간 단축이 필요하다. 이전 자율주행 연구에서는 반 복적 연산과 방대한 계산과 데이터, 비전처리 알고리즘 내 computational load가 발생하여 실시간 물체 인지 및 판별 에 어려움이 존재했다. (5,6) 따라서 본 연구에서는 이러한 문제점을 보완하기 위하 여 적응형 관심 영역을 제안한다. 보다 빠른 인지기술과 자동차안전학회지: 제14권, 제2호, pp. 20∼25, 2022 논문접수일: 2020.11.10, 논문수정일: 2021.11.12, 게재확정일: 2022.2.24자율주행 인지 모듈의 실시간 성능을 위한 적응형 관심 영역 판단 자동차안전학회지:제14권,제2호,2022 Fig. 2 Sensor detection range Table 1 Standard of design speed by road classification of Korea Category Design speed(kph) Rural area Urban area Plain area Hill area Mountain ous area Motorway120110100100 Non- motor way Arterial roads 80706080 Sub arterial roads 70605060 Collection roads 60504050 Local roads50404040 Fig. 1 Autonomous driving system with ROI 처리속도를 위하여, 차량 중심의 주변 환경 인지 영역만을 인지하여 전체 시스템의 속도를 높이기 위함이다. 차량에 속도에 따라 도로 상황을 추정하여 적응형 관심 영역을 설정하고, 영역에 따른 점군집 데이터를 처리한다. 적응형 관심 영역 지정에서는 차량 속도를 중심으로 도로 폭, 안 전 거리, 도로 곡률 등이 고려된다. 적응형 관심 영역 구현 을 위해 map 개념을 이용하여 속도에 따른 적응형 관심 영역을 설정하였다. 본 연구에서는 적응형 관심 영역에 따 라 자율주행 차량의 인지 알고리즘 실행 속도에 대한 성능 개선을 목적으로 한다. 2장에서는 자율주행 실험에 사용 된 차량 및 센서 구성, 3장에서는 본 연구에서 제안하는 적응형 관심 영역 설계, 4장에서는 적응형 관심 영역 적용 결과, 5장에서는 본 연구의 결론에 대해 기술한다. 2. 자율주행 차량의 구성 2.1. 적응형 관심영역 포함한 자율주행시스템 구조 본 연구에서 활용한 자율주행시스템의 전체 구조는 Fig. 1과 같다. CAN통신을 이용한 샤시정보 취득, Eternet통신 을 이용한 라이다의 점군집 데이터 취득, 적응형 ROI를 적 용한 점군집 데이터를 처리, 측위정보와 결합한 Reference Path에 따른 Motion Planning을 진행한다. 2.2. 자율주행차량 인지 센서 구성 본 연구에서 실제 자율주행차량이 활용되었고, 자율주 행 차량은 차량에 부착된 레이더와 라이다 센서를 이용해 주변 환경에 대한 정보를 수집해 인지 알고리즘에 이 용한 다. 실제 이용된 자율주행차량에는 송출하는 레이저 신호 와 반사되는 신호의 시간간격을 활용하는 Light Detection And Ranging(Lidar)가 장착되어 있다. 전방에는 IBEO 4L모델이 장착되어 있으며 260m의 인지거리와 110의 수 평 시야각, 3.2의 수직 시야각을 지닌다. 4면에는 Velodyne VLP-16 모델이 전방위 인지를 위해 장착되어 있으며 100m의 인지거리, 360의 수평 시야각, -15~15의 수직 시야각을 지닌다. 자율주행차량의 Field of Vision(FOV) 는 Fig. 2와 같다. 3. 적응형 관심 영역 설계 인지 영역의 제한은 실시간 주행하는 차량에 대하여 Lidar Raw Data를 제한하여 빠른 라이다 처리를 가능하게 한다. 따라서 본 논문에서는 도로 폭, 도로 설계속도, 제한속도 를 고려하여 차량 속도에 맞춘 적응형 관심 영역을 지정하 였다. 각 도로의 설계속도는 Table 1, 최고제한속도는 이아영·이호준·이경수 자동차안전학회지:제14권,제2호,2022 Table 2 Standard of speed limit by road classification of Korea CategoryCondition Speed limit(kph) Motorway-60~90 Non- motor way Arterial roads Two lane one-way roads with median strip, intersections, and crosswalks 70 One-way roads with two or more lanes with median strip and intersections with road widths between 200-500m 60 One-way roads with two or more lanes without median strip and intersections with road widths less than 200m 50 Sub arterial roads Two lane one-way roads50 Two lane one-way roads and road segments with curb parking or a large amount of bike flow 40 Collecti on roads Single lane one-way roads and car seperation roads 40 One-way one lane roads, car seperation roads, and road segments with curb parking or a large amount of bike flow 30 Local roads One-way one lane roads without sidewalks 30 Roadds where special attention should be paid to the safety of transportation vulnerable 20 Table 2와 같다. 안전성 확보를 위하여 두 속도기준 중 설계속도에 근거하여 적응형 관심 영역을 설계하였다. 본 논문에서는 저속주행과 고속주행, 더 나아가 고속주 행을 세분화하여 총 3가지 주행 시나리오를 제안한다. 따 라서 Table 1에 의해 적응형 관심 영역 설계기준을 보조간 선도로와 주간선도로의 설계속도인 60kph, 80kph로 제 시한다. Region1을 60kph미만 주행영역, Region2를 60kph 이상 80kph미만 주행영역, Region3을 80kph이상 주행영 역으로 평가하였다. 3.1. Region 1 대응전략 Region1은 보조간선도로 설계속도인 60kph에 근거하 여 설계되었다. 차량 속도 60kph미만 주행 상황에 대한 영역으로, 60kph미만 속력의 차량은 주간선도로를 제외 한 일반도로 범위 내에 존재한다. 교통상황 혼잡시의 저속 주행, 교차로, 교통약자의 통행이 많은 주거지역, 학교지 역, 상업지역 등 특정 지역에 대하여 30kph이하로 주행하 도록 설정된 구역의 경우들로, 전 방향에서의 차량, 보행 자, 장애물 인지가 요구되어 이에 알맞은 적응형 관심 영 역을 설계하였다. 3.2.1. 전방구간 ROI 선정기준 전방구간에서는 차량이 주행할 도로 형태에 기반하여 관심영역을 도출하고자 하였다. 따라서 직선방향과 곡선 방향 도로를 모두 고려한다. 직진구간에서 안전성 확보를 위해 차량 속도 v x 를 해당 구간 최고 속도 60kph을 기준으 로 한다. 직진구간에서 적응형 관심 영역 종방향 길이는 식 (1)과 같이 정의한다. v x 는 차량좌표계 기준 현재 x축 속도, t safe 는 차량의 안전속도를 위한 시간, t detect 는 자율주 행차량에서 라이다 포인트 클라우드가 인지되는 시간, t delay 는 엑츄에이터 지연 시간을 나타낸다. *()Lvttt longxdetectdelaysafe (1) 좌회전, 우회전 구간에서는 도로에 따른 곡률과 횡방향 가속도에 의해 차량 속도가 정의된다. 구심력과 도로 곡률 κ의 정의에 의해 식 (2), (3)이 성립하고, 곡선도로에서의 차량의 속도 v x_des 에 대한 식 (4)가 도출된다. 따라서 곡선 도로에서의 차량 속력은 식 (5)와 같다. 일반적으로 코너 링 주행상황에서 횡방향 가속도 a y_des ≤ 2m/s 2 이므로, 안 전성을 고려하여 a y_des ≤ 3m/s 2 로 가정하였다. 2 v a y r (2) 1 r (3) , , a ydes v xdes (4) , , , a ydes vifv xx v xdes a ydes else (5)자율주행 인지 모듈의 실시간 성능을 위한 적응형 관심 영역 판단 자동차안전학회지:제14권,제2호,2022 Fig. 5 ROI range of region1 회전구간에서의 이동거리를 구하는 식을 정리하면 식 (6)과 같다. t turn 은 코너링 시간을 의미한다. *Lvt cornerxturn (6) 따라서 직선방향, 곡선방향 도로를 모두 고려하여 결정 된 전방구간 길이는 식 (7)과 같고 전방 적응형 관심 영역 은 Fig. 3과 같다. (,)LMaxLL longcorner (7) Fig. 3 Front ROI range 3.2.2. 측방구간 ROI 선정기준 측방에서는 보행자들과 장애물, 도로 다양한 곡률, 회 전 교차로 등 다양한 상황을 고려하고자 하였다. 측면에서 발생가능한 도로 모양과 회전교차로 최대 구간길이 L side 를 식 (6)과 동일하게 계산하였다. 측방 적응형 관심 영역 은 Fig. 4와 같이 도출된다. 측방 적응형 관심 영역은 Fig. 4와 같이 도출된다. Fig. 4 Side ROI range 3.2.3. 후방구간 ROI 선정기준 후방에서는 차량들이 가까워져 올 때를 인지해야 하므 로 후방의 적응형 관심 영역은 전방의 적응형 관심 영역과 동일한 모양을 가진다. 후방에서의 직선도로와 곡선도로 형태를 고려하여 3.2.1에서 소개한 전방 적응형 관심 영역 을 135°, 180°, 225°로 회전 이동시킨 모양을 갖는다. 이 는 변환행렬 T를 이용하여 구할 수 있다. T는 회전행렬 R과 3차원 평행이동 벡터 p를 이용해 식 (9)와 같이 나타 난다. 식 (8)의 R은 3차원 좌표 (x,y,z)를 z축 기준 θ만큼 회전 시키는 회전행렬이다. 변환된 좌표는 식 (10)과 같다. cossin0 sincos0(3) 001 RSO (8) (3) 01 Rp TSE 3 ()p ℝ (9) ' ' '01 11 xx yRpy zz (10) 위 식들에 의해 도출된 Region1 적응형 관심 영역은 Fig. 5와 같다.이아영·이호준·이경수 자동차안전학회지:제14권,제2호,2022 Fig. 6 ROI range of region2 Fig. 7 ROI range of region3 3.3. Region 2 대응전략 본 논문에서 Region2은 주간선도로 설계속도인 80kph 에 근거하여 설계되었다. 60kph이상, 80kph미만 주행 상 황에 대한 영역을 표시한다. Table 1과 Table 2에 의해 60kph이상, 80kph미만 속력 차량은 주간선도로, 고속도 로 범위 내에 존재한다. 고속 주행 상황으로 충분한 안전 거리와 cut-in, cut-off 차량, 연속 차선 변경 차량에 대한 대응이 요구된다. 종방향 길이 L long 은 3.2.1에서 소개한 식 (1)과 동일하 다. 안전성 확보를 위해 v x 는 해당 구간 최고 속도 80kph 을 기준으로 한다. 횡방향 길이 L lat 은 고속주행에서 좌우 2개 차선만큼의 길이가 요구되며 식 (11)과 같이 나타난 다. 우리나라의 차로 폭은 2.75m이상, 3.5m이하로, 안전 성 확보를 위해 w lane 는 3.5m로 가정하였다. 5 () 2 Lw latlane (11) 3.4. Region 3 대응전략 본 논문에서 Region3은 고속도로 설계속도 100kph에 근거하여 설계되었다. 차량 속도80kph이상 주행 상황에 대한 영역으로, Table 1, 2에 의해 80kph이상 속력 차량 은 고속도로 범위 내에 존재한다. 고속 상황으로 Region2보다 긴 안전거리와 cut-in, cut-off 차량 대응이 요구된다. 종방향 길이 L long 은 3.2.1에서 소개한 식 (1)과 동일하 다. 안전성 확보를 위해 v x 는 고속도로 설계속도인100kph 을 기준으로 한다. 횡방향 길이 L lat 은 고속주행에서 cut- in, cut-off차량 차선 변경 시나리오를 고려한다. 좌우 1 개 차선만큼의 길이가 요구되며 식 (12)와 같이 나타난다. 3 () 2 Lw latlane (12) 4. 적응형 관심 영역 구현 및 성능 개선 결과 4.1. 적응형 관심 영역 구현 및 방법 3장의 방법으로 차량 속도에 따른 적응형 관심 영역을 구현하였다. 적응형 관심영역 map을 생성하여 차량 속도 에 따른 각 영역 내 점군집 데이터들이 실시간으로 출력 된다. 알고리즘 시작점에 Map을 구현함으로써 인지 데이 터 처리속도에는 영향을 주지 않는다, Fig. 8에서와 같이 3.1절의 Region1 점군집 데이터를 출력함을 확인하였다. 각 grid는 10m의 간격을 가진다. 본 알고리즘은 Robot Operating System(ROS) 환경에서 PCL라이브러리를 사 용하여 C++로 작성 및 구현되었다. Fig. 8 ROI range map in ROS 4.2. 적응형 관심 영역에 따른 성능 개선 및 분석 실제 도로 주행 데이터를 사용하여 적응형 관심 영역 알고리즘을 검증하였다. 상암 자율주행 테스트 베드에 대 한 데이터를 사용하였으며, Velodyne 점군집 데이터, Ibeo 점군집 데이터, 차량 속도를 Rosbag 형태로 취득하였다. Chassis정보를 Can Parser를 통해 파싱하면 차량 상태에 자율주행 인지 모듈의 실시간 성능을 위한 적응형 관심 영역 판단 자동차안전학회지:제14권,제2호,2022 대한 정보들을 얻을 수 있는데, 파싱해낸 차량 속도 정보 를 이용하였다. Rosbag 주행 데이터를 이용한 알고리즘 적용으로 적응 형 관심 영역에 대한 성능 검증을 진행하였다. 총 21000 개 시간 데이터를 누적하여 각 step이 끝날 때의 ROS time 으로 적응형 관심 영역 적용 전/후 시간간격을 비교함으로 써 전체 점군집 데이터 수 감소에 따른 전체 알고리즘의 데이터 처리 시간 감소를 확인하였다. Fig. 8은 적응형 관심 영역에 대한 개선 시간을 히스토 그램으로 나타낸 것이며, x축은 개선 시간, y축은 전체 도 수에 대한 비율을 의미한다. 해당 히스토그램에 대한 평균 과 표준편차를 Table 3에 나타내었다. 약 5.3ms만큼의 시 간이 감소하였으며, 알고리즘의 평균 시간은 약 80ms로 6.62%의 개선률을 가진다. 개선 시간이 양의 값을 가지며 전체 알고리즘 처리시간이 감소함을 알 수 있다. 히스토그 램에서 0이하의 데이터값을 가지는 결과 실제 주행 상황 에 대해 rosbag형태 데이터를 시뮬레이션을 수행하는 과 정에서 알고리즘의 수행 시간의 변화 등의 이유로 동일 시점의 점군집 데이터 비교가 어려워 시간동기화, 데이터 동기화에 대한 것으로 분석된다. Fig. 9 Improved time gap about ROI Table 3 Mean and standard deviation of improved time Time Improvement (ms) Mean5.4096 Standard deviation8.6141 5. 결 론 본 연구에서는 자율주행시스템의 인지 알고리즘 처리 속도를 감소시킬 수 있는 적응형 관심 영역을 제안하였고, ROS환경에서 map을 통해 적응형 관심 영역을 구현하였 다. 실제 자율주행차량과 도로주행 데이터를 이용한 인지 알 고리즘 처리시간을 판단하기 위해 시간데이터를 Rosbag 데이터로 누적시켜 Matlab 환경에서 비교 및 분석을 수행 하였다. 차량의 속도가 변함에 따라 적응형 관심 영역이 정해지고, 정해진 영역에 따라 라이다 점군집 데이터의 수 가 감소하며 알고리즘 시간이 현저히 감소함을 확인하였 다. 자율주행 시스템에서 실시간 주행 대응능력은 필수적 이며, 방대한 데이터를 차량의 주행 상태에 맞추어 불필요 한 데이터들을 제한함으로써 전체 알고리즘의 처리시간 을 감소시켰다는 점에서 의의를 갖는다. 후 기 본 연구는 국토교통부 도심도로 자율협력주행 안전·인프 라 연구 사업의 연구비지원(과제번호 19PQOW-B152473- 01)에 의해 수행되었습니다. 참고문헌 (1)K.N. Qureshi and A. H. Abdullah, 2013, “A survey on intelligent transportation systems”, Middle-East Journal of Scientific Reserch, Vol. 15, pp. 629~ 642. (2)AutoNet2030, 2014, Co-operative Systems in Support of Networked Automated Driving by 2030. (3)이호준, 채흥석, 서호태, 이경수, 2018, “자율주행을 위한 레이더 기반 인지 알고리즘의 정량적 분석”, 2018, 자동차안전학회지, Vol. 10, No. 2, pp. 29~35. (4)Benligiray, B., Topal, C. and Akinlar, C. “Video- based lane detection using a fast vanishing point estimation method”, 2012, IEEE, 348~351. (5)Bertozzi, M., Broggi, A. and Fascioli, A, 2000. “Vision-based intelligent vehicles: State of art and perspectives, Robotics and Autonomous systems, 32, 1~16. (6)Brenner, W. and Herrmann, A., 2018, “An overview of technology, benefits and impact of automated and autonomous driving on the automotive industry, Digital Marketplaces Unleashed. Springer.◎ 논 문 http://dx.doi.org/10.22680/kasa2022.14.2.026 다중 순환 최소 자승 및 성능 지수 기반 종방향 자율주행을 위한 적응형 구동기 고장 허용 제어 및 탐지 알고리즘 개발 오세찬 * ·이종민 ** ·오광석 ***,† ·이경수 **** Development of Multiple RLS and Actuator Performance Index-based Adaptive Actuator Fault-Tolerant Control and Detection Algorithms for Longitudinal Autonomous Driving † 되먹임 제어자율주행다중 순환 최소 자승 고장 허용 제어성능 지수 ABSTRACT This paper proposes multiple RLS and actuator performance index-based adaptive actuator fault-tolerant control and detection algorithms for longitudinal autonomous driving. The proposed algorithm computes the desired acceleration using feedback law for longitudinal autonomous driving. When actuator fault or performance degradation exists, it is designed that the desired acceleration is adjusted with the calculated feedback gains based on multiple RLS and gradient descent method for fault-tolerant control. In order to define the performance index, the error between the desired and actual accelerations is used. The window-based weighted error standard deviation is computed with the design parameters. Fault level decision algorithm that can represent three fault levels such as normal, warning, emergency levels is proposed in this study. Performance evaluation under various driving scenarios with actuator fault was conducted based on co-simulation of Matlab/Simulink and commercial software (CarMaker). * 한경대학교 ICT로봇기계공학부, 석사 ** 서울대학교 기계항공공학부, 석박사통합과정 *** 한경대학교 ICT로봇기계공학부, 부교수 **** 서울대학교 기계항공공학부, 교수 † 교신저자: oks@hknu.ac.kr E-mail: ohsch94@hknu.ac.kr 1. 서 론 자동차 구동기는 다양한 기능 부품들을 포함하고 있으 며 이러한 부품들은 마찰 운동을 수행하는 부품이 존재한 다. 차량 주행을 위해 구동기가 지속적으로 작동되면, 부 품들은 시간이 지날수록 부품들 사이의 접촉으로 인해 마 찰과 마멸이 발생하여 구동기에 고장 및 성능 저하를 유발 한다. 자율주행 차량의 경우 구동기 고장 또는 성능 저하 는 치명적인 사고를 발생시킬 수 있다. 그러므로 자율주행 차량의 구동기 고장 탐지 및 고장 허용 제어 기술 개발은 중요하다. 이에 자율주행 차량의 주행 안정성 향상을 위해 대학들에서는 고장 탐지 및 고장 허용 제어 기술 개발을 위해 다양한 연구들이 진행되고 있다. Li 등 (1) 은 4륜 독립 조향 및 구동 전기 자동차의 구동기 고장 허용 제어를 위해 그룹화 슬라이딩 모드 제어 알고리 즘을 제안하였다. Stetter (2) 은 구조 차량의 슬립을 방지하 기 위해 가상 센서 및 퍼지 가상 액추에이터를 구성하여 고장을 재건하고 허용 제어를 수행하는 알고리즘을 제안 자동차안전학회지: 제14권, 제2호, pp. 26∼38, 2022 논문접수일: 2021.2.16, 게재확정일: 2021.3.2다중 순환 최소 자승 및 성능 지수 기반 종방향 자율주행을 위한 적응형 구동기 고장 허용 제어 및 탐지 알고리즘 개발 자동차안전학회지:제14권,제2호,2022 하였다. Chen 등 (3) 은 시간 지연이 있는 불확실한 액티브 조향 시스템과 구동기 고장 방지를 위해 타카기 수게노 퍼지 모델을 도입하고 퍼지 H ∞ 제어기를 이용하여 고장 허용 제어 알고리즘을 제안하였다. Gao 등 (4) 은 전자식 파 워 스티어링 시스템의 센서 고장을 예방을 위해 루엔버거 관측기와 선형 부등호 행렬을 이용하는 H ∞ 성능 지수를 기반으로 고장을 추정하여 고장을 재건하고 허용 제어를 수행하는 알고리즘을 제안하였다. Jeon 등 (5) 은 전기 자동 차의 인휠 모터 센서에 대한 고장 탐지를 위해 고장을 분 류하고 고장 레벨에 따른 센서와 차량 동역학의 외란 사이 의 상관관계 분석 및 패리티 방정식을 이용한 센서 통합 고장 진단 알고리즘을 개발하였다. Shahnazari 등 (6) 은 불 확실성을 갖는 비선형 아핀 시스템의 구동기 및 센서 고장 을 대응하기 위해 필터 뱅크를 이용하여 상태를 추정하고 예측되는 거동을 계산하여 고장 탐지 알고리즘을 제안하 였다. Abci 등 (7) 은 다중 모바일 로봇 시스템의 구동기 및 센서 고장 감지를 위해 필터 뱅크와 Kullback-Leibler Divergence를 이용한 고장 감지 알고리즘을 제시하였다. Han 등 (8) 은 전환식 확률 시스템의 센서 및 구동기 고장 허용 제어를 위해 Reduced order observer를 이용하여 고장을 추정하고 이를 기반으로 고장 허용 제어 알고리즘 을 제안하였다. Liu 등 (9) 은 타카기-수게노 퍼지 확률적 시스템의 센서 및 구동기 고장 대응을 위해 퍼지 슬라이딩 모드 관측기를 이용한 상태 추정을 기반으로 센서 및 구동 기 고장 허용 제어 알고리즘을 제안하였다. Kommuri 등 (10) 은 영구자석 동기식 모터 기반 전기자동차의 센서 고장 대 응을 위해 속도에 대한 임계값을 지정하여 도출되는 속도 에 대한 지수를 이용한 고장 탐지와 고차 슬라이딩 모드 관측기 기반 고장 허용 제어 방법을 제시하였다. Mekki 등 (11) 은 모터 시스템의 고장 허용 제어를 위해 적분 슬라 이딩 표면을 갖는 슬라이딩 모드 관측기와 슬라이딩 모드 제어기를 이용한 고장 허용 제어 알고리즘을 제안하며 제 안된 알고리즘의 효율성을 입증하기 위해 다양한 고장 사 례들을 연구하였다. Karras 등 (12) 은 전방향 모바일 로봇 의 고장 허용 제어를 위해 각 모터 휠에 계측되는 전류의 잔차를 이용하여 고장을 감지하고 모델 예측 제어기 기반 고장 허용 제어 알고리즘을 제안하였다. 기존 연구를 살펴보면 고장 추정, 차량의 성능 지수를 이용한 고장 탐지 방법들을 제시하였다. 또한 슬라이딩 모 드 제어기, 퍼지 제어기, H ∞ 제어기 및 상태 되먹임 제어 방법들을 기반으로 고장 허용 제어 방법들이 연구되고 있 음을 확인할 수 있다. 그러나 기존 알고리즘들은 정확한 모델이나 다양한 초기 파라미터들을 요구하는 것을 확인 하였다. 이러한 한계점을 극복하기 위해 본 연구에서는 정 확한 모델 또는 제어 파라미터가 필요 없는 종방향 자율주 행을 위한 적응형 구동기 고장 허용 제어 알고리즘을 제안 한다. 또한, 성능 지수 기반 고장 탐지 알고리즘을 제안한 다. 본 연구의 주된 연구 내용은 다음과 같이 요약될 수 있다. 1) 적응형 되먹임 제어 규칙을 이용한 자율주행 자동차 의 구동기 고장 허용 제어 알고리즘 개발 2) 제어 오차를 이용한 구동기 고장 탐지를 위한 성능 지수 개발 및 고장 단계 판단 알고리즘 개발 구동기 고장 허용 제어 알고리즘은 종방향 제어 수행을 위해 적응형 요구 가속도를 도출하도록 설계되었다. 요구 가속도는 되먹임 이득과 상대 거리 및 상대 속도에 대한 오차를 기반으로 계산되며 고장 허용 제어를 위해 적응 규칙을 이용하였다. 되먹임 이득은 순환 최소 자승으로 추 정되는 계수들과 경사 하강법을 기반으로 실시간 갱신되 는 적응형 이득을 이용하여 갱신되도록 설계하였다. 구동 기 고장 탐지 알고리즘은 Window 기반 가중 표준 편차를 도출하고 성능 지수를 이용하여 고장을 탐지하고 단계를 구분한다. 성능 지수 도출을 위해 목표 및 현재 가속도 간 의 오차를 기반으로 Wiindow 기반 가중 표준 편차가 계산 된다. 가속도 오차는 부드러운 성능 지수를 도출을 위해 1계 전달함수가 적용되었다. 성능 지수는 0~100%의 값 들이 선형적으로 도출되기 위해 두 개의 설계 변수들과 실시간 계산되는 Window 기반 가중 표준 편차를 이용하 여 도출되도록 설계하였다. 또한, 구동기 고장 탐지 알고 리즘은 구동기 고장 단계를 구분하기 위해 정상(Normal), 경고(Warning) 및 비상(Emergency) 구간 임계값들을 정 의하여 도출된 성능 지수를 기반으로 구동기 고장 단계가 구분되도록 설계하였다. 본 논문에서 제안된 알고리즘 평가 를 위해 Matlab/Simulink에 알고리즘을 구성하고 CarMaker 를 이용하여 가상 환경에서 시뮬레이션을 수행하고 이에 대한 성능평가 결과들을 기술하고 분석하였다. 본 논문의 나머지 부분은 다음과 같이 구성되어 있다. 2 장에서는 적응형 구동기 고장 허용 제어 및 탐지 알고리 즘에 대해 설명한다. 3 장에서는 제안된 알고리즘에 대한 성능평가 결과를 설명 및 분석하며, 4 장에서는 결론 및 한계점을 분석하고 향후 계획에 대해 기술한다.Next >