KR100308975B1 - 신경망을이용한자동변속기변속단제어알고리즘 - Google Patents

Abstract

본 발명에 의한 신경망을 이용한 자동 변속기 변속단 제어 알고리즘은, 검출 수단이 차량의 운행정보를 검출하여 다수의 변수로 신경망의 입력단에 전달하는 단계와; 상기 검출수단으로부터 각 변수가 인가되면, 신경망은 입력단의 각 단간의 뉴런에 형성되는 연결 강도가 상대적으로 높은 뉴런에 편향되어 상기 입력단으로 입력되는 각 변수가 처리되도록 학습하여, 해당 목표 제어가 이루어지는 노드에 가중치를 적용하는 구조가 이루어지도록 하며, 상기 학습에 따른 최종 출력값은 오르막 정도와 내리막 정도로 나뉘어 제어부로 출력되는 단계와; 상기 신경망을 통하여 출력되는 신호에 따라 제어부가 해당 주행 모드로의 이행을 제어하게 되는 단계를 포함하여 이루어진다.

Description

신경망을 이용한 자동 변속기 변속단 제어 알고리즘

본 발명은 구배로 판단 요건인 부하도에 대한 값을 입력변수로 선정하고, 신경망의 학습단계 및 출력변수를 확대하여 자동차의 변속 제어가 운전자의 의지를 충분히 반영하여 이루어질 수 있도록 하기 위한 신경망을 이용한 자동 변속기 변속단 제어 알고리즘에 관한 것이다.

최근 전자기술의 급속한 발달로 차량의 안전, 승차감, 성능향상, 연비 및 배기가스 개선등에 대한 요구가 증대되고 있다.

이에 따라 현재 자동 변속 차량 제어는 전자제어방식을 쓰고 있다. 그러나 현재 전자 제어 방식의 자동 변속 제어는 일정한 변속패턴을 가지고 있어 구배로 주행시 운전자 의지와 부합되지 않는 변속이 일어날 수 있다.

특히 언덕길이나 커브길 주행중에 리프트 풋 업에 의한 업 시프트로 안전성감소나 재가속시 구동력 부족 및 헌팅 현상이 발생되어 승차감이나 연비에 좋지 않은 영향을 끼친다.

또 내리막길 주행시에는 풋 브레이크를 자주 사용하거나 수동으로 오버 드라이브 스위치를 오프로 조작하는 등의 불편함이 있다.

이러한 불편함을 해소하기 위하여 INVECS-Ⅱ의 컴퓨터에 해당하는 TCU는 다수의 운전자가 여러 도로 조건하에 주행하였을 때의 최적 매뉴얼 시프트 조작이 미리 입력되어 있다. 이에 준하여 TCU는 가속 페달 개도, 차속, 브레이크, 조향각 등의 신호를 받아 현재 주행 조건을 판단하여 최적의 시프트 조작을 출력한다. 이것에 의해 INVECS-Ⅱ는 도로 조건이 가변됨에 따라 최적의 변속단을 얻을 수 있다.

TCU에 의해 이러한 최적의 시프트 조작을 출력하기 위한 연산은 대단히 복잡해지기 때문이 지금까지의 퍼지 같은 논리회로만으로는 고정도를 실현할 수 없었다. 그래서 INVECS-Ⅱ는 최신의 논리회로인 뉴럴 네트워크를 채용하여 최적의 시프트를 가능하게 한다. 뉴럴 네트워크란 TCU의 판단을 인간 뇌의 판단에 근접하게 한 논리회로로써 인간의 뇌와 같이 복수의 입력 정보를 여러 가지로 가공해 그것을 상호 정교하게 관련시켜 순간적으로 적절한 판단을 내리는 고도의 시스템이다.

그래서 구배로 등의 도로 주행시 차량 주행 상태를 판단하여 운전자의 의지에 부합되는 변속이 이루어지도록 하기 위하여 퍼지 제어로 운전자의 의지를 추론하고, 신경망 제어로 부하도 등 차량 주행상태를 연산하여 퍼지 출력값과 비교하여 필요에 따라 업 시프트 방지 및 스로틀량 보정, 엔진 브레이크 제어를 이행하도록 하고 있다.

이러한 종래의 기술을 도 1을 참고로 하여 상세히 설명하면 다음과 같다.

먼저 주행 도로의 상황에 대한 전반적인 정보를 위하여 구배도(11), 차속(12), 브레이크력(13) 및 핸들각 조작량(14)에 관한 신호를 검출하고 신경망 입력단에서 연산 가능토록 정량화를 이행한다.

그리고 정량화된 값을 이용하여 엔진 브레이크 기능을 사용할 것인지의 여부를 판단하기 위하여 해당 상태에 대한 출력값이 발생하는데 이때 출력값을 도출하기 위한 방법으로서 현재 제어에 많이 이용되는 역전파 학습법을 일반화한 델타 룰(Delta Rule)을 사용한다.

상기 델타 룰 방식은 극소해 문제를 보완하기 위하여 사용하는 방식이며 그 기본 입출력 관계식은 아래와 같다.

Zi=f(∑SiXi), Xi=f(∑WijAi)

상기 식에서 각 변수의 의미는 Wij: i, j 뉴런간 연결 강도, Si:학습치, Ai: 입력신호(i번째 뉴런)이다.

상기와 같은 관계식을 이용하여 신경망(2)은 입력층을 4개로 하고 출력층을 1개 그리고 중간층을 4개로 신경망을 구축한 대표 주행상황 데이터 및 그 출력 데이터를 학습시켰다.

그리고 학습된 신경망의 각 노드간 가중치, 임계값 , 에러율 및 학습 횟수를 체크하여 학습이 어느 정도 잘되는지 확인한다.

또한 학습은 에러율이 없을 때까지 이루어지며 에러율은 학습에 의해 얻어지는 각 상황의 기대값과 실제 출력값이 같아질 때 비로소 없게된다.

그리고 퍼지 제어에 의한 현 변속모드를 결정하는 데 있어 상기 엔진 브레이크 적합도 결과를 이용하여 변속모드를 정확하게 제어하도록 하고 있다.

상기의 학습은 각 입력 변수를 정량화한 다음 다양한 입력 패턴들을 전문가의 차원에서 입력에 대한 제어해를 세팅하는 것으로 어느 한 시점에 변수값들이 입력되면 출력단에 그에 해당되는 답을 제시하고 주행상황에 주로 나타나는 변수 입력 패턴에 대하여 각각의 답을 제시하고 반복시켜 어떠한 입력에서든 전문가의 특성이 답으로 출력되도록 하는 것이다.

그러나 종래와 같은 방식은 구배로에 따른 차량의 실질적인 구동력에 대한 상황을 뒷받침할 만한 입력변수가 없고 출력신호가 내리막의 엔진 브레이크 적합도만을 연산하므로 오르막길이나 평탄한 길의 제어에서는 무효하다는 문제점이 발생한다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 실질적인 구배도를 연산할 수 있는 입력요소를 선정하고, 상기 입력요소에 대한 신경망 연산을 보다 정밀하게 하여 도로 상황에 적절하고 운전자의 의도에 부합된 변속이 이루어지도록 하는데 목적이 있다.

도 1은 종래의 신경망을 이용한 주행 상황 제어 방식에 관한 도면이고,

도 2는 본 발명의 실시예에 따른 신경망을 이용한 주행 상황 인식 방식에 관한 도면이다.

상기한 목적을 달성하기 위한 본 발명의 신경망을 이용한 자동변속기 변속단 제어 알고리즘은, 검출수단이 차량의 운행정보를 검출하여 다수의 변수로 신경망의 입력단에 전달하는 단계와; 상기 검출수단으로부터 각 변수가 인가되면, 신경망은입력단의 각 단간의 뉴런에 형성되는 연결 강도가 상대적으로 높은 뉴런에 편향되어 상기 입력단으로 입력되는 각 변수가 처리되도록 학습하여, 해당 목표 제어가 이루어지는 노드에 가중치를 적용하는 구조가 이루어지도록 하며, 상기 학습에 따른 최종 출력값은 오르막 정도와 내리막 정도로 나뉘어 제어부로 출력되는 단계와; 상기 신경망을 통하여 출력되는 신호에 따라 제어부가 해당 주행 모드로의 이행을 제어하게 되는 단계를 포함하여 이루어지는 것을 그 특징으로 한다.

이하, 첨부된 도면을 참조로 하여 본 발명의 가장 바람직한 실시예를 상세히 설명한다.

본 발명은 INVECS-Ⅱ와 같은 자동변속기의 전자제어 시스템에서 의 TCU(Transmission Control Unit)의 제어로직으로 식재될 수 있는 것으로, INVECS-Ⅱ 전자제어 시스템의 TCU에 적용되는 본 발명을 도 2를 참고로 하여 설명하면 다음과 같다.

도2에서 본 발명이 적용되는 시스템은 차량의 운행정보를 검출하는 검출수단 (110~150)와, 상기 검출수단(110~150)에 대한 신호를 목표치에 도달할 때까지 학습하여 해당 목표 제어가 이루어지는 노드에 가중치를 적용하는 구조로 이루어지는 신경망(20)과, 상기 신경망(20)을 통하여 출력되는 신호에 따라 해당 주행 모드로 의 이행을 제어하는 제어부(30)를 포함한다.

이러한 검출수단(110~150)에 의해 검출되는 차량 운행정보로는, 도로 상황에 대한 변수로서 부하도(110) 및 전부하도(120)와, 운전자의 의지 및 차량의 특성에 대한 변수로서 브레이크력(130) 및 차속(140) 그리고 코너링(150)이 포함된다.

신경망(20)은 검출수단에 의해 검출되어 각 변수에 할당된 값을 입력으로 하여 학습한 후 오르막 정도 및 내리막 정도를 산출하게 되고, 제어부(30)는 상기 신경망(20)으로부터 출력되는 각 오르막 정도와 내리막 정도를 이용하여 해당 주행 모드로 결정하는 판단기준을 연산한다.

상기에서 TCU로 입력되는 데이터는 각종 센서와 스위치들의 신호에 근거하는 것으로, 상기 각 신호는 TCU와 ECU(Electronic Control Unit)간에 CAN 통신을 통해 교환된다.

신경망(20)으로 입력되는 각 변수(부하도, 전부하도, 브레이크력, 코너링)의 선정은 다음과 같이 이루어진다.

먼저 부하도(110)의 산출식은 수학식 1과 같다.

부하도 = FE - RR - RW - Me * (a*f)

단, FE : 엔진 구동력, RR : 구름 저항, RW : 공기저항, Me : 차량 질량,

a*f : 가속도

그리고 전부하도는 1초전의 부하도 값을 의미한다.

그리고 브레이크력은 브레이크 페달을 밟은 후의 가속도를 연산한 값을 이용하고 차속은 현 변속비와 엔진 RPM을 연산하여 얻는다.

또한 코너링 산출식은 다음의 수학식 2와 같다.

그리고 상기 신경망(20)은 종래의 델타 룰이 적용된 뉴런칩을 이용하여 구현할 수 있는 것으로, 그 방식은 다음과 같다.

입력되는 각 입력변수의 데이터에 따라 출력되는 오르막 정도 수치와 내리막 정도 수치에 따라 제어부(30)에서 출력한 제어 신호가 운전자의 의도에 적합한 지 여부를 판단한다.

이때 제어부(30)는 퍼지 제어로직을 구비하여 차량내 각종 센서에 의해 검출되는 차속과 쓰로틀 개도와 구배도 및 횡 가속도 등에 근거하여 주행 모드를 판단하게 된다. 더불어 제어부(30)는 신경망(20)에서 출력되는 오르막 정도 수치와 내리막 정도 수치에 근거하여 변속제어를 수행하게 된다.

그리고 신경망(20)에서 변속제어가 상기 운전자의 의도에 적합한지의 여부를 판단하는 경우, 변속이 일어난 후 운전자가 가속페달 및 브레이크 페달을 조작하는 것을 이용하여 판명하는데, 이것은 변속이 운전자 의도에 따라 이루어졌다면 운전자가 별다른 조작을 하지 않고 변속이 운전자 의도에 따라 이루어지지 않았다면 별도의 조작을 한다는 점에 착안한 것이다.

따라서 신경망(20)의 출력값에 따라 제어부(30)의 변속제어가 이루어져 이에 따른 주행 모드로 주행하기 시작하여 소정의 시간이 경과되면, 운전자 조작 특성으로부터 주행 모드 이행 만족도를 학습하여 신경망(20)의 해당 모드 출력 뉴런과 중간단간의 연결 강도 값을 미소 보정한다.

예를 들어 운전자가 브레이크를 조작하면 + 신호를, 가속페달을 조작하면 - 신호로 증감시켜 정밀하게 연결 강도를 조정한다.

상기와 같은 방법으로 각 단간의 뉴런에 형성되는 연결 강도에 따라, 입력되는 데이터의 처리는 연결 강도가 높은 뉴런에 편향되어 처리되므로 운전자 의도에 부합되는 모드로 설정되게 되는 것이다.

따라서 초기 학습단계에서는 각 도로 조건에 따라 입력되는 차량 주행 데이터를 수집한 뒤 일단 주행에서 대표가 될만한 각각 입력 상황에 따라 결과(출력값)를 선정하여 기입한다.

그 뒤 PC 등을 이용하여 신경망 입/출력 학습을 반복하여 각각 입력에 대한 기대 출력이 목표값에 근접하게 되는 것이다.

그러므로 오르막길 및 내리막길에서 운전자의 의도에 맞는 변속 제어가 이루어지게 되어 차량의 구동 성능이 향상될 뿐만 아니라 변속의 안정성 및 승차감을 향상시키는 효과가 있다.

Claims (3)

1. 검출수단이 차량의 운행정보를 검출하여 다수의 변수로 신경망의 입력단에 전달하는 단계와;

   상기 검출수단으로부터 각 변수가 인가되면, 신경망은 입력단의 각 단간의 뉴런에 형성되는 연결 강도가 상대적으로 높은 뉴런에 편향되어 상기 입력단으로 입력되는 각 변수가 처리되도록 학습하여, 해당 목표 제어가 이루어지는 노드에 가중치를 적용하는 구조가 이루어지도록 하며, 상기 학습에 따른 최종 출력값은 오르막 정도와 내리막 정도로 나뉘어 제어부로 출력되는 단계와;

   상기 신경망을 통하여 출력되는 신호에 따라 제어부가 해당 주행 모드로의 이행을 제어하게 되는 단계를 포함하여 이루어지는 것을 특징으로 하는 자동 변속기 변속단 제어 알고리즘.
2. 청구항 1에 있어서, 차량의 운행정보 검출수단에 의해 인가되는 변수는,

   실질적인 구동력 상태를 검출하기 위하여 구비되는 부하도 및 전부하도에 대한 입력변수와;

   가속도를 연산하여 얻을 수 있는 브레이크력에 대한 입력변수와;

   차속에 대한 입력변수와;

   좌/우 차륜의 속도를 연산하여 얻을 수 있는 코너링에 대한 입력변수로 이루어지는 것을 특징으로 하는 신경망을 이용한 자동 변속기 변속단 제어 알고리즘.
3. 청구항 1에 있어서, 각 변수를 입력으로 하여 학습하는 방법은 신경망 이론중 델타 룰을 이용하는 것을 특징으로 하는 신경망을 이용한 자동 변속기 변속단 제어 알고리즘.

Images