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 ...
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.
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.
Until today, most of the studies regarding autonomous vehicle maneuver control are rule-based control algorithms that are designed based on the vehicle dynamics model. It’s essential that the vehicle dynamics model and parameters can predict the maneuver of the control vehicle exactly, and the s...
Until today, most of the studies regarding autonomous vehicle maneuver control are rule-based control algorithms that are designed based on the vehicle dynamics model. It’s essential that the vehicle dynamics model and parameters can predict the maneuver of the control vehicle exactly, and the state of the vehicle are precisely available. Parameters of the vehicle dynamics model during driving are continuously varying by vehicle states and external environments. These changes may lead to performance degradation and failure of vehicle control, which has more devastating effects, especially when the vehicles are driven autonomously. Besides, some control algorithms, such as the optimization-based controller, have unpredictable computation time and trade-off relationship between control performance and computation time. These features may affect real-time control the performance the making practical use of control algorithms difficult. This research contributes to supplement the limitations of the traditional rule-based autonomous vehicle control algorithm by presenting the data-driven control method using the driving data of the existing rule-based control algorithm, or the expert driver’s driving data. The data-driven control technique is one of the areas in the spotlight in the recent control research field, and it is possible to improve or replace traditional rule-based control algorithms using artificial intelligence techniques and a huge amount of data. For this study, we used ANN(Artificial Neural Network) as artificial intelligence techniques. The ANN is a technique developed by getting inspiration from the neural system of living creatures, and it derives results about ANN input data through the computation of artificial neuron’s weights and biases. Nonlinear model predictive controller’s driving data and expert driver’s drift driving data are used by ANN as training data. Artificial neural networks require a lot of time to learn a large amount of data into the network. However, they only go through a series of computations after learning, so they can guarantee predictable computational time. In this chapter, it is confirmed that the artificial neural network based on learning can perform very similar maneuver to the nonlinear model predictive control technique and enables real-time control at fixed update rate. We also developed that the ANN controller by acquisition and learning of the drift driving data of the expert driver. Drift control is a difficult technique that can only be used by well-trained professional drivers, because the vehicle must be driven while controlling the lateral slip of the vehicle and maintaining the “oversteer” state. We trained the data that the expert driver’s driving strategy and vehicle dynamics state when the vehicle is under the drift state. And we proved that drift driving of the autonomous vehicle is possible without the vehicle dynamics model and control parameter tuning process. Verification of the ANN control technique was carried out through both the realistic the simulation and scale car-based experimental environment.
Until today, most of the studies regarding autonomous vehicle maneuver control are rule-based control algorithms that are designed based on the vehicle dynamics model. It’s essential that the vehicle dynamics model and parameters can predict the maneuver of the control vehicle exactly, and the state of the vehicle are precisely available. Parameters of the vehicle dynamics model during driving are continuously varying by vehicle states and external environments. These changes may lead to performance degradation and failure of vehicle control, which has more devastating effects, especially when the vehicles are driven autonomously. Besides, some control algorithms, such as the optimization-based controller, have unpredictable computation time and trade-off relationship between control performance and computation time. These features may affect real-time control the performance the making practical use of control algorithms difficult. This research contributes to supplement the limitations of the traditional rule-based autonomous vehicle control algorithm by presenting the data-driven control method using the driving data of the existing rule-based control algorithm, or the expert driver’s driving data. The data-driven control technique is one of the areas in the spotlight in the recent control research field, and it is possible to improve or replace traditional rule-based control algorithms using artificial intelligence techniques and a huge amount of data. For this study, we used ANN(Artificial Neural Network) as artificial intelligence techniques. The ANN is a technique developed by getting inspiration from the neural system of living creatures, and it derives results about ANN input data through the computation of artificial neuron’s weights and biases. Nonlinear model predictive controller’s driving data and expert driver’s drift driving data are used by ANN as training data. Artificial neural networks require a lot of time to learn a large amount of data into the network. However, they only go through a series of computations after learning, so they can guarantee predictable computational time. In this chapter, it is confirmed that the artificial neural network based on learning can perform very similar maneuver to the nonlinear model predictive control technique and enables real-time control at fixed update rate. We also developed that the ANN controller by acquisition and learning of the drift driving data of the expert driver. Drift control is a difficult technique that can only be used by well-trained professional drivers, because the vehicle must be driven while controlling the lateral slip of the vehicle and maintaining the “oversteer” state. We trained the data that the expert driver’s driving strategy and vehicle dynamics state when the vehicle is under the drift state. And we proved that drift driving of the autonomous vehicle is possible without the vehicle dynamics model and control parameter tuning process. Verification of the ANN control technique was carried out through both the realistic the simulation and scale car-based experimental environment.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.