KR101015914B1

KR101015914B1 - 차량의 횡미끄럼각 검출 방법 및 장치

Info

Publication number: KR101015914B1
Application number: KR1020080103674A
Authority: KR
Inventors: 김정식
Original assignee: 한국타이어 주식회사
Priority date: 2008-10-22
Filing date: 2008-10-22
Publication date: 2011-02-23
Also published as: KR20100044510A

Abstract

본 발명은 차량의 횡미끄럼각 검출에 관한 것으로, 특히 사전 훈련된 신경망 회로를 사용하여 구현된 차량의 실시간 횡미끄럼각 검출방법 및 장치에 관한 것이다. 본 발명에 따라, 센서들부터 출력되는 요율, 횡가속도, 및 차량속도에 기초하여 횡미끄럼각을 출력하는 신경망 모듈을 포함하고, 상기 신경망 모듈은 사전에 훈련된 가중치들을 구비하는 것으로, 상기 신경망 모듈은, 훈련용 요율, 횡가속도, 및 차량속도를 사용하고 미훈련된 가중치를 갖는 미훈련 신경망 모듈로부터의 추정 횡미끄럼각과 실측된 횡미끄럼각간의 오차가 최소가 되도록 반복하여 상기 미훈련 신경망 모듈을 훈련시켜 획득된 훈련된 가중치를 구비할 수 있다.

횡미끄럼각, 신경망 모델.

Description

차량의 횡미끄럼각 검출 방법 및 장치{Method and device for detecting sideslip angle of vehicle}

본 발명은 차량의 횡미끄럼각 검출에 관한 것으로, 특히 사전 훈련된 신경망 회로를 사용하여 구현된 차량의 실시간 횡미끄럼각 검출방법 및 장치에 관한 것이다.

자동차 운행에 있어서 안전은 가장 중요한 요소 중의 하나이다. 최근 들어 좌, 우 바퀴의 구동 및 제동력 크기를 다르게 함으로써 추가적인 요 모멘트(yaw moment)를 생성하는 AYC (Active Yaw Control), BFDC (Brake Force Distribution Control), AWD (All Wheel Drive), TCL (Traction Control) 또는 4WS (Four Wheel Steering)와 같은 제어 알고리즘을 이용하여 큰 종가속도와 횡가속도를 갖는 예를 들면 극한 운전 상황에서의 차량의 횡방향 안정성을 높이고 있다.

위와 같은 차량 제어 방법들은 필요한 요 모멘트를 계산하는 알고리즘에 의해서 구현된다. 여기서 가장 중요한 인자가 요율(yaw rate)과 차량의 횡미끄러짐 각이다. 즉, 위의 차량 제어 방법은 대부분 미리 정해진 목표 요율과 횡미끄럼각을 추종하도록 요 모멘트를 발생시키는 구조로 이루어져 있다. 따라서 주행중 차량이 설정된 목표 요율과 횡미끄럼각을 추종하는지에 대한 정보를 얻기 위해서는 주행 중 차량의 요율과 횡미끄럼각을 검출하여야 한다.

일반적으로 요율은 요율 센서를 이용하여 간단하게 검출 가능하다. 요율 센서는 가격이 대체적으로 저렴하기 때문에 대부분의 경우 요율 검출을 위해 요율 센서를 직접 차량 내부에 장착하여 사용하고 있다. 하지만 횡미끄럼각의 경우, 검출 센서가 상당히 고가이며, 부피가 크기 때문에 센서를 사용하여 직접 검출하는 것은 현실적으로 문제가 있다. 이에 대해 보다 상세한 것은 한국특허공개 KR 2007-0102617를 참조할 수 있다.

지금까지 많은 연구자들이 차량 제어를 위한 횡미끄럼각 검출을 위해 추정 방법을 사용해 왔다. 예를 들면, Ray는 칼만 필터(Kalman Filter) 방법을 이용하여 횡미끄럼각을 추정하는 방법을 제시하였다(SAE Technical Paper, No. 960181 참조). 하지만 추정 알고리즘이 복잡하여 연산 시간이 길어 실시간 보다 늦게 횡미끄럼각을 추정하여, 실시간 제어에 적용하는데 한계가 있다. 또한, Hiroyuki는 연산시간을 줄이기 위해 단순화된 2자유도 차량 모델을 이용하였다(예를 들면, 한국특허 KR 2005-0062808, 미국특허 6,374,172 B1, 공개 No: US 2006/0190150 A1을 참조할 수 있다).

하지만 이와 같은 방법은 차량을 너무 단순화시켰으므로 실제 횡미끄럼각을 추정하는 오차가 커져서 부정확한 제어가 되는 문제점이 있다.

따라서, 본 발명의 목적은 차량 제어, 특히 안정성 제어에 필수 인자인 횡미끄럼각을 신경망 모듈을 사용하여 실시간으로 검출하는 방법 및 장치를 제공하는 것이다.

본 발명의 목적은 요율센서, 횡가속도센서, 차량속도 센서를 구비한 차량의 횡미끄럼각을 상기 센서들의 출력값들을 사용하여 검출장치에 의해 달성될 수 있다. 이 검출장치는, 상기 센서들부터 출력되는 요율, 횡가속도, 및 차량속도에 기초하여 횡미끄럼각을 출력하는 신경망 모듈을 포함하고, 상기 신경망 모듈은 사전에 훈련된 가중치들을 구비하는 것으로, 상기 신경망 모듈은, 훈련용 요율, 횡가속도, 및 차량속도를 사용하고 미훈련된 가중치를 갖는 미훈련 신경망 모듈로부터의 추정 횡미끄럼각과 실측된 횡미끄럼각간의 오차가 최소가 되도록 반복하여 상기 미훈련 신경망 모듈을 훈련시켜 획득된 훈련된 가중치를 구비할 수 있다.

본 발명의 바람직한 일 실시예에 따라서, 상기 신경망 모듈은 입력층, 은닉층 및 출력층으로 구성되고,

a²(t)=f²(LW^2,1f¹(IW^1,1p(t)+b¹)+b²)

에 의해서 정의되며,

a²(t)은 출력층 뉴런 출력, f²는 출력층 전달함수, LW^2,1은 출력층 가중행렬, f¹은 입력층 전달함수, IW^1,1은 입력층 가중행렬, p(t)는 입력, b¹은 은닉층 편향계수, b²는 출력층 편향계수이다.

또한, 본 발명의 바람직한 일 실시예에 따라서, 훈련에 사용하기 위하여, 속도에 따른 정현파 스윕 시험 데이터가 사용된다.

또한, 본 발명의 바람직한 일 실시예에 따라서, 상기 신경망 모듈을 저장하는 메모리 장치를 더 포함한다.

본 발명의 또 다른 면에 따라서, 요율센서, 횡가속도센서, 차량속도 센서를 구비한 차량의 횡미끄럼각을 상기 센서들의 출력값들을 사용하여 검출하는 방법에 있어서, 상기 신경망 모듈은 사전에 훈련된 가중치들을 구비하는 것으로, 상기 신경망 모듈은, 훈련용 요율, 횡가속도, 및 차량속도를 사용하고 미훈련된 가중치를 갖는 미훈련 신경망 모듈로부터의 추정 횡미끄럼각과 실측된 횡미끄럼각간의 오차가 최소가 되도록 반복하여 상기 미훈련 신경망 모듈을 훈련시켜 획득된 훈련된 가중치를 구비한 상기 신경망 모듈을 준비하는 단계; 상기 차량의 센서들부터 출력되는 요율, 횡가속도, 및 차량속도에 기초하여 상기 준비된 신경망 모듈을 통해 횡미끄럼각을 출력하는 단계를 포함하는, 차량의 횡미끄럼각 검출방법이 제공될 수 있다.

본 발명에 따라 제공되는 신경망 모듈은 차량 내 메모리 칩 형태로 저장하여 사용할 수 있으므로, 비용도 상당히 저렴해지며 특히 연산속도가 빠르기 때문에 차 량용 제어기에 실시간으로 횡미끄럼각을 제공하여 차량 제어에 효율적으로 사용가능하다.

앞에서 언급한 바와 같이, 종래의 기술들에서는 횡미끄럼각을 검출하는데 있어 연산 시간이 길어 실시간 제어에 문제가 있으며, 또한 단순화된 모델을 이용하여 연산 시간을 감소시킨 경우에는 횡미끄럼각 검출 오차가 커지는 문제가 있었다. 본 발명에서는 이와 같은 문제점들을 해결하기 위한 것으로, 특히 신경망을 채용함으로써 횡미끄럼각을 검출하고 실시간으로 횡미끄럼각을 제공할 수 있게 함으로써 차량제어에 효율적으로 사용될 수 있게 하는 실시간 횡미끄럼각 검출 및 제공방법을 제공한다.

일반적으로 차량의 횡미끄럼각(β) 아래와 같은 식으로 표현될 수 있다.

β= Ay/V - r (1)

여기서 Ay는 차량의 횡가속도, V는 차량의 속도, r은 요율이다. 결국 차량의 횡가속도, 속도, 요율만 주어지면 차량의 횡미끄럼각을 추정할 수 있게 된다. 본 기술에서는 횡미끄럼각을 검출하기 위해서 신경망모델을 채용한다.

본 발명의 바람직한 실시예에 따른 실시간 횡미끄럼각 검출에 대해서 첨부한 도면을 사용하여 이하 상세히 기술한다.

도 1을 참조하면, 본 발명에서 최종으로 제공하는 것은 횡미끄럼각 신경망 모델(2)이며, 도 1은 이러한 본 발명의 횡미끄럼각 신경망 모델을 어떻게 제공할 것인가를 설명하기 위한 블록도이다.

도 1에 도시된 바와 같이, 횡미끄럼각 모델(1)은 이 기술에 공지된 일반적인 것으로 Ay, V, r이 입력으로서 주어졌을 때 실제의 횡미끄럼각(β)을 제공하며, 본 발명에 따른 횡미끄럼각 신경망 모델(2)은 이 모델에서 출력되는 추정된 횡미끄럼각(

)이 실제 횡미끄럼각(β)과 가산기(3)를 통해 비교되고 다시 횡미끄럼각 신경망 모델(2)에 피드백되어 횡미끄럼각의 추정값과 실제값간에 오차가 최소 내지는 없을 때까지 반복적으로 진행된다. 이때 반복마다 신경망 모델의 계수(w)가 적합한 값들로 업데이트됨으로써 최종으로 임의의 실제의 Ay, V, r이 주어졌을 때, 이미 학습되었기 때문에 실제와 동일한 횡미끄럼각을 횡미끄럼각 신경망 모델(2)을 제공할 수 있게 된다.

즉, 도 1에 도시된 바와 같이 신경망모델의 입력 인자로 위에 식(1) 우변의 첫 번째와 두 번째 인자가 사용되었으며, 결국 횡미끄럼각은 Ay/V와 r이 서로 신경망모델의 계수들과 조합된 비선형 모델로 결정됨을 알 수 있다.

도 1에 신경망모델(2)이 실제 횡미끄럼각 검출에 이용되기 위해서는 미리 잘 훈련을 시켜는 과정이 필수적이다. 즉, 신경망모델의 계수들(w)을 훈련을 통해서 결정해 놓아야 한다.

도 2는 본 발명의 바람직한 실시예에 따른 신경망모델의 구성도이다.

신경망 모델은 입력층, 은닉층, 출력층으로 구성될 수 있고, 도 2에서 입력층에서 입력으로서 입력층 입력 벡터 크기(R¹)의 입력신호 u(t)가 입력층 입력벡터 p ¹(t)로서 입력된다. 이 입력은 은닉층에 인가된다. 입력은 시간지연 요소(Taped Delay Line; TDL)을 지나 입력층 가중행렬 IW ^1,1에 가중되어 가산요소(21)에 입력된다. 도 2에서 b ¹은 은닉층 편향계수를 의미하고 이의 출력 또한 상기 가산요소(21)에 입력된다. 한편, 신경망 모델의 반복되는 출력은 다시 은닉층에 피드백되는데 이 출력 또한 또 다른 시간지연 요소(TDL)을 거쳐 LW ^3,1로 표기한, 출력층에서 은닉층으로의 가중행렬에 의해 가중되어 상기 가산기 요소(21)에 입력된다.

3개의 입력을 받은 가산요소(21)는 은닉층 전달함수(f ¹)을 거쳐 은닉층 뉴론 출력 a ¹(t)로서 출력층으로 출력된다. 도 2에서 S¹은 은닉층 뉴론 수를 나타낸다. 여기서, 은닉층 전달함수(f ¹)로서는 이를 테면 tan-sigmoid가 채용될 수도 있다.

출력층에서, 은닉층 뉴론 출력(a ¹(t))은 LW ^2,1로 표기한, 은닉층에서 출력층으로의 가중행렬에 의해 가중되어 출력층 내 가산요소(22)에 인가된다. 또한, 출력층 편향계수를 나타낸 b ²가 가산요소(22)에 적용된다. 가산요소(22)는 입력된 정보를 가산하여 출력층 뉴론 합산 출력(n ²(t))을 생성하여 출력층 전달함수(f ²)에 인가되고, 이를 거쳐 최종의 출력층

을 생성한다. 도 2에서 S²는 출력층 뉴론 수를 나타낸다. 여기에서 출력층 전달함수(f ²)는 선형형태의 전달함수로서 통상의 것이 사용될 수 있다.

이 출력은 은닉층으로 다시 피드백되고, 이 피드백이 멈추는 시기는 출력이 실제의 출력과의 오차가 없을 때이다. 오차가 없을 때에 결정된 가중치들(W)은 실제 적용에서 그대로 사용될 것이다. 처음 실행시 가중값들은 소정의 값으로 내정되는 것에 유의하고, 반복 실행됨에 따라 요망되는 적합한 가중값들로 수렴하게 된다.

위에 설명한 바와 같이, 발명의 바람직한 실시예에 따른 신경 회로망 모델은 다음의 식(2)로 정의될 수 있다.

a²(t)=f²(LW^2,1f¹(IW^1,1p(t)+b¹)+b²) (2)

당업자는 위에 기술된 내용에 기초하여 경우에 따라 적합한 변경을 행하여 구현할 수 있을 것이며, 이들은 모두 본 발명에 속할 수 있다.

도 2와 같은 신경망 회로에 입력되는 입력신호(u(t))는 실제 차량에 이를 테면 메모리 칩 형태로 저장하여 사용될 때는, Ay, V, r이 입력신호로 사용되나, 본 훈련을 위해서는 입력을 포함하여 도 3과 같은 신호들이 사용되었다. 이 중에서 도 3(a)의 조향각은 훈련에 사용되는 것은 아니며 단지 차량이 어떻게 거동하였는지에 대한 조향입력을 나타내어 주고 있다.

본 발명에서는 가능한 실제 차량의 거의 모든 주행 조건에 대한 횡미끄럼각 검출이 가능하도록 하기 위해 다양한 주행 조건에 해당하는 데이터를 이용하여 훈련시켰다. 이를 위하여 도 3과 같은 속도에 따른 정현파 스윕 시험 데이터를 훈련에 사용하였다. 즉, 모든 주행 조건 상황에 해당하는 차량 거동 데이터를 얻기 위 해 속도 영역 30 kph~150kph에서 정현파 스윕 조타 입력 45~200 deg으로 훈련용 데이터를 얻었다.

신경망 회로 훈련에 사용된 데이터는 도 3(a) 내지 도 3(e)에 도시된 바와 같이, 차량속도, 횡가속도, 요율, 횡미끄럼각이다. 이들 모두는 사전에 준비된 데이터들이며, 신경망 회로 훈련에 사용하기 위한 것임에 유의한다.

입력으로서는 도 3에서 Ay/V, r이 입력되고, 횡미끄럼각 신경망 모델을 통해 출력되는 횡미끄럼각(

)은 도 3(e)의 실제 횡미끄럼각(b)과 비교될 수 있다.

이와 같이 하여, 훈련 과정을 마친 신경망모델은 주행중 차량의 Ay/V와 r가 입력되면 신경망모델이 횡미끄럼각을 계산하여 차량의 주행 상황에 해당하는 횡미끄럼각을 검출하게 된다. 차량의 Ay, V, r은 앞에서도 언급한 바와 같이, 저렴한 일반적으로 사용되는 센서들로서, 횡가속도, 속도, 각속도 센서 등을 사용하여 얻어질 수 있다. 이들 센서들의 출력을 디지털화되어 이를 테면 ECU 등에 입력될 수 있고, 실제 차량에 이를 테면 메모리 칩 형태로 저장하여 사용되는 신경망 회로를 통해 요망되는 횡미끄럼각을 신속하게 얻을 수 있다.

컴퓨터 모의 시험을 수행하여 본 발명에서 제안하는 방법의 효율성을 검증하였다.

도 4는 훈련 과정에 사용된 실제 차량의 횡미끄럼각과 신경망모델로 횡미끄럼각을 검출한 결과를 비교한 것인데, 검출한 결과와 실제 값과 잘 일치하는 것을 볼 수 있다.

도 5와 도 6은 차량이 차선 변경하는 시험에 대한 차량의 횡미끄럼각과 신경망모델로 횡미끄럼각을 검출한 결과를 비교한 것인데, 마찬가지로 검출한 결과와 실제 값과 잘 일치하는 것을 볼 수 있다.

이와 같이 구성된 신경망모델은 메모리 칩 형태로 저장하여 사용하면, 비용도 상당히 저렴해지며 특히연산속도가 빠르기 때문에 AYC (Active Yaw Control), BFDC (Brake Force Distribution Control), AWD (All Wheel Drive), TCL (Traction Control), 4WS (Four Wheel Steering)와 같은 제어기에 실시간으로 횡미끄럼각을 제공하여 차량 제어에 효율적으로 사용가능하다.

도 1은 본 발명의 횡미끄럼각 신경망 모델을 어떻게 구현할 것인가를 설명하기 위한 블록도이다.

도 3은 훈련에 사용하기 위한, 속도에 따른 정현파 스윕 시험 데이터를 도시한 도면이다.

도 4는 훈련 과정에 사용된 실제 차량의 횡미끄럼각과 신경망모델로 횡미끄럼각을 검출한 결과를 비교한 도면이다.

도 5 및 도 6은 차량이 차선 변경하는 시험에 대한 차량의 횡미끄럼각과 신경망모델로 횡미끄럼각을 검출한 결과를 비교한 도면이다.

-도면의 주요부분에 대한 부호의 설명-

1; 횡미끄럼각 모델

2; 횡미끄럼각 신경망 모델

21, 22; 가산기

Claims

요율센서, 횡가속도센서, 차량속도 센서를 구비한 차량의 횡미끄럼각을 상기 센서들의 출력값들을 사용하여 검출하는 검출장치에 있어서,

상기 센서들부터 출력되는 요율, 횡가속도, 및 차량속도에 기초하여 횡미끄럼각을 출력하는 신경망 모듈을 포함하고,

상기 신경망 모듈은 사전에 훈련된 가중치들을 구비하는 것으로, 상기 신경망 모듈은, 훈련용 요율, 횡가속도, 및 차량속도를 사용하고 미훈련된 가중치를 갖는 미훈련 신경망 모듈로부터의 추정 횡미끄럼각과 실측된 횡미끄럼각간의 오차가 최소가 되도록 반복하여 상기 미훈련 신경망 모듈을 훈련시켜 획득된 훈련된 가중치를 구비하고,

상기 신경망 모듈은 입력층, 은닉층 및 출력층으로 구성되고,

a²(t)=f²(LW^2,1f¹(IW^1,1p(t)+b¹)+b²)

에 의해서 정의되며,

a²(t)은 출력층 뉴런 출력, f²는 출력층 전달함수, LW^2,1은 출력층 가중행렬, f¹은 입력층 전달함수, IW^1,1은 입력층 가중행렬, p(t)는 입력, b¹은 은닉층 편향계수, b²는 출력층 편향계수인, 차량의 횡미끄럼각 검출장치.
삭제
제1항에 있어서, 훈련에 사용하기 위하여, 속도에 따른 정현파 스윕 시험 데이터가 사용된, 차량의 횡미끄럼각 검출장치.
제1항에 있어서, 상기 신경망 모듈을 저장하는 메모리 장치를 더 포함하는, 차량의 횡미끄럼각 검출장치.
요율센서, 횡가속도센서, 차량속도 센서를 구비한 차량의 횡미끄럼각을 상기 센서들의 출력값들을 사용하여 검출하는 방법에 있어서,

신경망 모듈은 사전에 훈련된 가중치들을 구비하는 것으로, 상기 신경망 모듈은, 훈련용 요율, 횡가속도, 및 차량속도를 사용하고 미훈련된 가중치를 갖는 미훈련 신경망 모듈로부터의 추정 횡미끄럼각과 실측된 횡미끄럼각간의 오차가 최소가 되도록 반복하여 상기 미훈련 신경망 모듈을 훈련시켜 획득된 훈련된 가중치를 구비한 상기 신경망 모듈을 준비하는 단계;

상기 차량의 센서들부터 출력되는 요율, 횡가속도, 및 차량속도에 기초하여 상기 준비된 신경망 모듈을 통해 횡미끄럼각을 출력하는 단계를 포함하고,

상기 신경망 모듈은 입력층, 은닉층 및 출력층으로 구성되고,

a²(t)=f²(LW^2,1f¹(IW^1,1p(t)+b¹)+b²)

에 의해서 정의되며,

a²(t)은 출력층 뉴런 출력, f²는 출력층 전달함수, LW^2,1은 출력층 가중행렬, f¹은 입력층 전달함수, IW^1,1은 입력층 가중행렬, p(t)는 입력, b¹은 은닉층 편향계수, b²는 출력층 편향계수인, 차량의 횡미끄럼각 검출방법.
삭제
제5항에 있어서, 훈련에 사용하기 위하여, 속도에 따른 정현파 스윕 시험 데이터가 사용된, 차량의 횡미끄럼각 검출방법.
제5항에 있어서, 상기 차량은 상기 신경망 모듈을 저장하는 메모리 장치를 더 포함하는, 차량의 횡미끄럼각 검출방법.