차선유지 제어시스템, 적응식순항 제어시스템과 같은 첨단운전 지원시스템은 기본적으로 차량의 거동 정보를 기반으로 구동되지만, 최근 도로의 기하학적 정보를 추가적으로 활용하는 연구가 활발히 진행되고 있다. 특히, 도로의 종단경사는 차량의 가감속 제어 및 항법알고리즘 구현에 있어 필수적인 정보로서 DGPS-RTK와 같은 고가의 장비로 직접 측정하는 방법과 디지털 맵에 저장된 속성정보를 활용하는 방식이 제안되고 있으나, 상용화 관점에서는 아직 많은 문제점이 존재한다. 따라서, 본 논문에서는 추가 센서의 장착없이 연속형 확장칼만필터를 활용하여 차량의 동특성과 도로종단경사를 효율적으로 추정하는 알고리즘을 제안한다. 도로종단경사를 포함하는 3자유도 차량동역학 모델과 차량의 내부 네트워크롤 통해 수집할 수 있는 차량의 상태정보를 기반으로 확장칼만필터를 설계하여 차량의 동특성과 도로종단경사를 추정한다. 제안된 알고리즘은 시뮬레이션과 실차실험을 통해 그 성능을 검증하였다.
차선유지 제어시스템, 적응식순항 제어시스템과 같은 첨단운전 지원시스템은 기본적으로 차량의 거동 정보를 기반으로 구동되지만, 최근 도로의 기하학적 정보를 추가적으로 활용하는 연구가 활발히 진행되고 있다. 특히, 도로의 종단경사는 차량의 가감속 제어 및 항법알고리즘 구현에 있어 필수적인 정보로서 DGPS-RTK와 같은 고가의 장비로 직접 측정하는 방법과 디지털 맵에 저장된 속성정보를 활용하는 방식이 제안되고 있으나, 상용화 관점에서는 아직 많은 문제점이 존재한다. 따라서, 본 논문에서는 추가 센서의 장착없이 연속형 확장칼만필터를 활용하여 차량의 동특성과 도로종단경사를 효율적으로 추정하는 알고리즘을 제안한다. 도로종단경사를 포함하는 3자유도 차량동역학 모델과 차량의 내부 네트워크롤 통해 수집할 수 있는 차량의 상태정보를 기반으로 확장칼만필터를 설계하여 차량의 동특성과 도로종단경사를 추정한다. 제안된 알고리즘은 시뮬레이션과 실차실험을 통해 그 성능을 검증하였다.
Vehicle dynamic states used in various advanced driving safety systems are influenced by road geometry. Among the road geometry information, the vehicle pitch angle influenced by road slope and acceleration-deceleration is essential parameter used in pose estimation including the navigation system, ...
Vehicle dynamic states used in various advanced driving safety systems are influenced by road geometry. Among the road geometry information, the vehicle pitch angle influenced by road slope and acceleration-deceleration is essential parameter used in pose estimation including the navigation system, advanced adaptive cruise control and others on sag road. Although the road slope data is essential parameter, the method measuring the parameter is not commercialized. The digital map including the road geometry data and high-precision DGPS system such as DGPS(Differential Global Positioning System) based RTK(Real-Time Kinematics) are used unusually. In this paper, low-cost cascade extended Kalman filter(CEKF) based road slope estimation method is proposed. It use cascade two EKFs. The EKFs use several measured vehicle states such as yaw rate, longitudinal acceleration, lateral acceleration and wheel speed of the rear tires and 3 D.O.F(Degree Of Freedom) vehicle dynamics model. The performance of proposed estimation algorithm is evaluated by simulation based on Carsim dynamics tool and T-car based experiment.
Vehicle dynamic states used in various advanced driving safety systems are influenced by road geometry. Among the road geometry information, the vehicle pitch angle influenced by road slope and acceleration-deceleration is essential parameter used in pose estimation including the navigation system, advanced adaptive cruise control and others on sag road. Although the road slope data is essential parameter, the method measuring the parameter is not commercialized. The digital map including the road geometry data and high-precision DGPS system such as DGPS(Differential Global Positioning System) based RTK(Real-Time Kinematics) are used unusually. In this paper, low-cost cascade extended Kalman filter(CEKF) based road slope estimation method is proposed. It use cascade two EKFs. The EKFs use several measured vehicle states such as yaw rate, longitudinal acceleration, lateral acceleration and wheel speed of the rear tires and 3 D.O.F(Degree Of Freedom) vehicle dynamics model. The performance of proposed estimation algorithm is evaluated by simulation based on Carsim dynamics tool and T-car based experiment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 차세대 스마트카 및 자율주행 기술에 주요한 영향을 미치는 도로종단경사를 추정하는 알고리즘을 제안하였다. 3자유도 차량모델을 기반으로 Cascade EKF를 이용하여 차량의 동특성 및 도로종단 경사를 추정하였으며, 특히, 센서의 추가 장착 없이 일반적인 차량의 내부 네트워크를 통해 측정할 수 있는 속도, 회전각속도, 종/횡방향 가속도 등을 측정변수로 활용하였다.
가설 설정
차량 거동특성은 차량바디와 노면에 작용하는 타이어 외력에 의해 영향을 받으며, 이를 3자유도 차량 모델과 경사노면에서의 차량의 역학관계로 그림 1, 2에 나타내었다. 특히, 본 논문에서는 전륜구동 차량을 대상으로 전륜 타이어에만 종방향 힘이 있으며, 후륜 타이어에는 종방향 힘은 없는 것으로 가정하여 추정변수의 수를 최소화 하였다. 도로 종단경사도를 포함하는 3자유도 차량모델의 운동 방정식은 식 (1)과 같다.
제안 방법
본 논문에서는 차세대 스마트카 및 자율주행 기술에 주요한 영향을 미치는 도로종단경사를 추정하는 알고리즘을 제안하였다. 3자유도 차량모델을 기반으로 Cascade EKF를 이용하여 차량의 동특성 및 도로종단 경사를 추정하였으며, 특히, 센서의 추가 장착 없이 일반적인 차량의 내부 네트워크를 통해 측정할 수 있는 속도, 회전각속도, 종/횡방향 가속도 등을 측정변수로 활용하였다. 제안된 알고리즘은 시뮬레이션과 실차실험을 통해 그 유효성을 확인하였으며, 실험결과 고정밀 IMU센서와의 신호상호상관계수가 약 84.
실차실험에 사용된 차량은 시뮬레이션과 동일한 그 랜저HG 모델이며, 차량내부 네트워크인 CAN(Controller Area Network)을 통해 CEKF의 측정모델 식에 필요한 센서정보를 취득하였다. 또한, 추정한 도로 종단경사도의 정확도를 비교분석하기 위해 Xbow 사의고정밀 IMU를 장착하여 차량의 피치각을 측정하였다. 주행구간은 자동차부품연구원 주행시험장에서의 평지 주행과 정문 입구 경사도로면이며, 정문 입구 도로의 경우 과속방지턱을 포함하고 있다.
본 논문에서 제안한 도로종단경사 추정 알고리즘의 유효성을 확인하기 위해 실험에 앞서 차량동역학 해석 툴인 Carsim을 사용하여 그랜저HG 차량을 모델링하고, 평지를 주행하는 도중 15deg의 종단경사를 가지는 오르막길을 주행하는 시나리오로 시뮬레이션을 수행하였다.
본 논문에서는 차량동특성과 도로종단경사를 각각 추정하는 연속형 확장칼만필터(Cascade Extended Kalman Filter : CEKF)를 설계하여 사용하였으며, 그 구조는 그림 3과 같다. 하나의 확장칼만필터로는 차량 동특성과 도로종단경사를 동시에 추정할 수 없기 때문이다.
이에 타이어모델을 포함하는 차량동역학 모델을 기반으로 도로의 종단경사를 추정하는 연구가 수행되어왔으나, 계산량이 많고 타이어 모델 파라미터를 확보해야 하는 어려움이 있으며, 자이로센서를 활용하는 방법도 있으나 센서를 추가 장착해야 하는 부담이 있다[2～3]. 본 논문에서는 타이어 모델을 포함하지 않는 3자유도 차량 동역학 모델을 기반으로 2개의 연속적인 EKF(Extended Kalman Filter)를 활용하여 차량의 동 특성과 도로의 종단경사도를 동시에 추정한다. 3자유도 차량동역학 모델은 동특성 추정에 활용하며, 차량에서 측정되는 회전각속도, 종/횡방향 가속도 그리고 타이어 속도를 측정값으로 사용한다.
본 논문에서 제안된 알고리즘을 현대자동차의 그랜저HG 모델을 대상으로 시뮬레이션과 실차실험을 통하여 검증하였다. 이를 위해, 3자유도 차량모델에 사용되는 차량파라미터를 다양한 실차실험을 통해 추정하였으며, 표 2에 정리하여 표시하였다.
제안된 알고리즘은 시뮬레이션과 실차실험을 통해 그 유효성을 검증하였다. 특히, 현재 양산되는 차량을 대상으로 추가적인 센서의장착 없이 차량네트워크(In-Vehicle Network : IVN)를 통해 수집할 수 있는 정보만을 이용하여 도로종단경사를 추정한다.
대상 데이터
본 논문에서 제안된 알고리즘을 현대자동차의 그랜저HG 모델을 대상으로 시뮬레이션과 실차실험을 통하여 검증하였다. 이를 위해, 3자유도 차량모델에 사용되는 차량파라미터를 다양한 실차실험을 통해 추정하였으며, 표 2에 정리하여 표시하였다.
실차실험에 사용된 차량은 시뮬레이션과 동일한 그 랜저HG 모델이며, 차량내부 네트워크인 CAN(Controller Area Network)을 통해 CEKF의 측정모델 식에 필요한 센서정보를 취득하였다. 또한, 추정한 도로 종단경사도의 정확도를 비교분석하기 위해 Xbow 사의고정밀 IMU를 장착하여 차량의 피치각을 측정하였다.
데이터처리
3자유도 차량동역학 모델은 동특성 추정에 활용하며, 차량에서 측정되는 회전각속도, 종/횡방향 가속도 그리고 타이어 속도를 측정값으로 사용한다. 제안된 알고리즘은 시뮬레이션과 실차실험을 통해 그 유효성을 검증하였다. 특히, 현재 양산되는 차량을 대상으로 추가적인 센서의장착 없이 차량네트워크(In-Vehicle Network : IVN)를 통해 수집할 수 있는 정보만을 이용하여 도로종단경사를 추정한다.
이론/모형
논문에서는 종/횡방향 병진운동 및 요방향 회전운동을 포함하는 3자유도 자전거 동역학 모델을 이용하였다[4～5]. 종방향 모델식의 경우 도로종단경사도를 추정하는 2차 EKF에서 한 번 더 활용된다.
성능/효과
시뮬레이션 결과 그림 4～6과 같이 Carsim의 해석 결과와 매우 유사한 차량동특성 및 도로종단경사 추정 결과를 보여주었다. 특히, 도로종단경사에 의해 영향을 받는 차량의 종방향 가속도 ax,mea, ax,net도 잘 추정하고 있음을 알 수 있다.
3자유도 차량모델을 기반으로 Cascade EKF를 이용하여 차량의 동특성 및 도로종단 경사를 추정하였으며, 특히, 센서의 추가 장착 없이 일반적인 차량의 내부 네트워크를 통해 측정할 수 있는 속도, 회전각속도, 종/횡방향 가속도 등을 측정변수로 활용하였다. 제안된 알고리즘은 시뮬레이션과 실차실험을 통해 그 유효성을 확인하였으며, 실험결과 고정밀 IMU센서와의 신호상호상관계수가 약 84.0%로 나타났다. 본 논문에서 제안한 방법은 차체의 피치운동에 대한 자유도는 고려하고 있지 않아, 추정된 도로종단경사에 차량의 피치운동이 복합적으로 나타나므로, 향후 이 두 가지 요소를 구분하는 연구가 필요하다.
후속연구
0%로 나타났다. 본 논문에서 제안한 방법은 차체의 피치운동에 대한 자유도는 고려하고 있지 않아, 추정된 도로종단경사에 차량의 피치운동이 복합적으로 나타나므로, 향후 이 두 가지 요소를 구분하는 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
타이어모델을 포함하는 차량동역학 모델을 기반으로 도로의 종단경사를 추정하는 연구가 어려운 이유는?
또한, 차량의 종횡방향가속도, 타이어 포스 등과 같은 차량의 동특성에도 영향을 미치기 때문에, 이에 대한 정보가 있으면 보다 정확한 차량의 동특성 추정을 통해 ABS(Anti-Lock Brake System), ESP(Electronic Stability Program) 등과 같은 기존의 안전장치의 성능향상에도 기여할 수 있다[2]. 이에 타이어모델을 포함하는 차량동역학 모델을 기반으로 도로의 종단경사를 추정하는 연구가 수행되어왔으나, 계산량이 많고 타이어 모델 파라미터를 확보해야 하는 어려움이 있으며, 자이로센서를 활용하는 방법도 있으나 센서를 추가 장착해야 하는 부담이 있다[2～3]. 본 논문에서는 타이어 모델을 포함하지 않는 3자유도 차량 동역학 모델을 기반으로 2개의 연속적인 EKF(Extended Kalman Filter)를 활용하여 차량의 동 특성과 도로의 종단경사도를 동시에 추정한다.
본 논문에서 연속형 확장칼만필터를 사용한 이유는 무엇인가?
본 논문에서는 차량동특성과 도로종단경사를 각각 추정하는 연속형 확장칼만필터(Cascade Extended Kalman Filter : CEKF)를 설계하여 사용하였으며, 그 구조는 그림 3과 같다. 하나의 확장칼만필터로는 차량 동특성과 도로종단경사를 동시에 추정할 수 없기 때문이다.
도로의 종방향 경사도 정보는 무엇을 기대할 수 있게 하는가?
최근 스마트카를 중심으로 개발되고 있는 안전 및 편의시스템의 성능을 향상시키기 위해 도로 속성 정보를 반영하는 연구를 활발히 진행하고 있다. 특히, 도로의 종방향 경사도 정보는 운전 구간에 따른 차량의 요구 동력을 예측 가능하게 하여 차량의 연비 개선 효과와 배기가스 저감, 고속도로 SAG 구간에서의 Cooperative ACC(Adaptive Cruise Control) 시스템의 성능 향상 등 매우 높은 활용성을 기대할 수 있다[1]. 또한, 차량의 종횡방향가속도, 타이어 포스 등과 같은 차량의 동특성에도 영향을 미치기 때문에, 이에 대한 정보가 있으면 보다 정확한 차량의 동특성 추정을 통해 ABS(Anti-Lock Brake System), ESP(Electronic Stability Program) 등과 같은 기존의 안전장치의 성능향상에도 기여할 수 있다[2].
참고문헌 (5)
Y. G. Kim, J. S. Lee, H. S. Wi, J. I. Park and J. H. Lee, "Real-time measurement of the tilt road on vehicle," KSAE research field synthesize Conf., pp. 727-729, Korea, May, 2012.
Y. Sebsadji, S. Glaser, S. Mammar and J. Dakhlallah, "Road Slope and Vehicle Dynamics Estimation," American Control Conf., FrB09.5, Washington, USA, June 2008.
J. Y. Kim, J. H. Lee, J. M. Byun and S. H. Kim, "Localization Performance Improvement for Mobile Robot using Mutiple Sensors in Slope Road," Journal of IEIE, Vol. 47, no. 1, pp. 67-75, 2010.
S. Y. Lee, E. G. Kim, D. H. Lee and G. S. Huh, "Vehicle longitudinal velocity estimation on inclined road," Transactions of KSAE, Vol. 20, no. 1, pp. 14-19, 2012.
H. G. Byun, E. G. Kim, H. G. Kim and G. S. Huh, "Climbing angle estimation in yawing motion," KSAE research field synthesize Conf., pp. 731-733, Korea, May, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.