[논문]자율주행 차량의 다 차선 환경 내 차량 추종 경로 계획

서장필; 이경수

doi:10.22680/kasa2019.11.3.030

자율주행 차량의 다 차선 환경 내 차량 추종 경로 계획
Car-following Motion Planning for Autonomous Vehicles in Multi-lane Environments 원문보기

자동차안전학회지 = Journal of Auto-Vehicle Safety Association, v.11 no.3, 2019년, pp.30 - 36

서장필 (서울대학교 기계항공공학부) , 이경수 (서울대학교 기계항공공학부)

Abstract ▼ AI-Helper

This paper suggests a car-following algorithm for urban environment, with multiple target candidates. Until now, advanced driver assistant systems (ADASs) and self-driving technologies have been researched to cope with diverse possible scenarios. Among them, car-following driving has been formed the groundwork of autonomous vehicle for its integrity and flexibility to other modes such as smart cruise system (SCC) and platooning. Although the field has a rich history, most researches has been focused on the shape of target trajectory, such as the order of interpolated polynomial, in simple single-lane situation. However, to introduce the car-following mode in urban environment, realistic situation should be reflected: multi-lane road, target's unstable driving tendency, obstacles. Therefore, the suggested car-following system includes both in-lane preceding vehicle and other factors such as side-lane targets. The algorithm is comprised of three parts: path candidate generation and optimal trajectory selection. In the first part, initial guesses of desired paths are calculated as polynomial function connecting host vehicle's state and vicinal vehicle's predicted future states. In the second part, final target trajectory is selected using quadratic cost function reflecting safeness, control input efficiency, and initial objective such as velocity. Finally, adjusted path and control input are calculated using model predictive control (MPC). The suggested algorithm's performance is verified using off-line simulation using Matlab; the results shows reasonable car-following motion planning.

주제어

표/그림 (6)

그림 Fig. 1 Target Prediction Overview
그림 Fig. 2 3^rd order Polynomial Path
그림 Fig. 4 Multi Target with Same Velocity in Corner Lane
그림 Fig. 3 Car-following Algorithm Diagram
그림 Fig. 5 Multi Target with Different Velocity in Straight Lane
그림 Fig. 6 Multi Target with Different Velocity in Corner Lane

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

자 차량의 목표 속도는 30kph 이며, 후보 타겟들은 위부터 20, 25, 30kph 이다. 결과를 살펴보면, 타 차선에서 목표 속도에 가깝게 주행하는 타겟을 선정하며 주행하나, 차선 변경 간에는 동일 차선의 타겟 선정을 일정수준 유지하여 안정적인 주행을 확보하고자 한다.
본 연구에서는 센서 데이터를 활용하여 주위 차량의 상태를 예측하는 알고리즘을 기반으로 추종의 대상 경로를 생성 및 최적화하는 알고리즘을 개발한다. 각 차량의 예측된 상태는 속도 및 위치를 바탕으로 보정된 후 자 차량의 상태와 다항식 형태로 연결, 위치 및 속도 후보 군을 형성한다.

제안 방법

1) 타겟의 현 상태를 기준으로 추종알고리즘을 작성했을 때 발생하는 이산적인 알고리즘 계산 간 순차적인 목표 상태 밀림 현상을 타겟 예측 알고리즘을 도입하여 보완하였다.
1) 해당 제어 알고리즘을 실제 차량에 적용하여 제어효율 및 강건성 등을 확인한다.
2) 안정적인 추종 타겟 선정을 위해 타겟들의 예측 경로의 겹침과 제어 입력의 크기, 주행차선과의 차이를 반영했다. 또한 기 설정 목표 속도가 전방 타겟의 느린 속도로 달성되지 못할 때 안전이 보장된 상태에서는 효율적으로 타겟을 변경할 수 있도록 비용 함수를 설정하였다.
3장에서는 각 타겟 별을 추종하는 경로 후보의 생성 및 이들의 최적화 알고리즘을 살펴본다. 2장에서 살펴본 타겟 상태 예측 결과를 보정하여 추종 상태 및 경로 군을 생성하며, quadratic 형태의 비용 함수를 활용해 최적 경로를 선정한다.
2) 안정적인 추종 타겟 선정을 위해 타겟들의 예측 경로의 겹침과 제어 입력의 크기, 주행차선과의 차이를 반영했다. 또한 기 설정 목표 속도가 전방 타겟의 느린 속도로 달성되지 못할 때 안전이 보장된 상태에서는 효율적으로 타겟을 변경할 수 있도록 비용 함수를 설정하였다.
앞서 설정한 kinematic 모델의 상태를 확장 칼만 필터를 사용하여 예측한다. 상태 변수는 2.
연속적인 비선형 예측, 측정 모델은 2계도 테일러 급수를 활용하여 이산형 모델로 변경한다.
차량이 현재 주행 중인 차선을 따르려는 경향이 있다는 차선 유지 모델을 활용하면 가상의 요 각속도를 생성할 수 있다. 이를 위해 차선과의 각도, 횡방향 거리, 요 각속도를 상태로 설정한다.
앞서 도출된 최적 경로의 실제 제어 입력은 조향각과 종방향 가속도로 구현된다. 장애물, 입력 상하한 등이 제약조건으로 설정된 자전거 모델 기반의 모델예측제어를 사용하여 최적화된 제어 입력을 계산한다.

이론/모형

차량이 등속으로 차선을 유지하며 주행한다는 가정하에 가상의 측정값을 생성, 칼만 필터에 대입하여 예측값을 실시간으로 업데이트한다. 가상의 측정값은 요 각속도로 설정되며, kinematic 차량 모델을 사용한다. 예측 결과는 Fig.
차량 모델 알고리즘을 구현한 Matlab을 활용하여 시나리오 별 시뮬레이션을 실시하였다. 타겟 예측 간 사용된 이득 및 분산은 실험값을 사용하였으며, 시뮬레이션 및 알고리즘 연산은 0.

성능/효과

3) 다양한 속도 분포를 가진 타겟들이 주위에 배치된 상황을 가정한 시뮬레이션을 실시하여 앞서 설정한 비용 함수가 안전성을 확보하면서도 기 설정 목표 속도를 달성할 수 있는 타겟을 능동적으로 선택함을 확인하였다.
3) 다항식으로 목표 경로 후보를 생성할 때 위치 기반으로 근사하는 방법에서 나타나는 횡방향 오차를 줄일 수 있는 효과적인 방안을 모색한다.
4) 전방 차량과의 간격 및 속도를 제어하는 순항 제어 알고리즘 대비, 타 차선의 타겟까지 후보군으로 설정하여 주행 목적 자유도를 높인다.
5) 현재 타겟 상태를 기반으로 추종 대상 선정 후 경로를 설정하는 다차선 내 추종 알고리즘 대비, 모든 타겟 예측 결과를 추종하는 경로를 생성 후 최적화를 실시하여 타겟 선정 안정성을 얻는다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자율주행 기술의 알고리즘 제시에 있어 현재의 상태를 다항식 형태로 보간하여 경로를 생성할 경우의 한계점은 무엇인가?	보편적으로 자 차량과 타겟의 현재 상태를 다항식 형태로 보간하여 경로를 생성한다. 하지만 이는 타겟의 주행 경향에 민감하게 반응하는 한계를 가진다.
	선행 차량 추종은 어떻게 인전받고 있는가?	자율주행 기술은 도로 위에서 발생하는 다양한 시나리오에 대응하기 위해 지속적으로 개발되어 왔다. 선행 차량 추종은 적응순항기술 등의 형태로 자율 주행의 기반을 이뤄왔으며, 나아가 군집 주행 및 정체 상황에 대처하는 등 그 확장성을 인정받고 있다.
	최적의 추종 타겟을 선정하는 방안이 안정화되어야 하는 이유는 무엇인가?	또한 여러 차량 중 최적의 추종 타겟을 선정하는 방안도 안정화되어야 한다. 타겟의 현재 상태만으로 추종 안정성을 판단할 경우 주행 경향성과 센서의 정확도에 따라 타겟 선정이 자주 변하는 등 불안정한 결과로 제어 성능이 떨어지기도 한다.

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증