KR101827152B1

KR101827152B1 - 차량 데이터 기반의 노면 판단 방법

Info

Publication number: KR101827152B1
Application number: KR1020160127656A
Authority: KR
Inventors: 서해진; 이동열; 김시준
Original assignee: 현대자동차주식회사
Priority date: 2016-10-04
Filing date: 2016-10-04
Publication date: 2018-03-22
Also published as: CN107891866A; CN107891866B

Abstract

본 발명은 차량 데이터 기반의 노면 판단 방법에 관한 것으로, 각 차량 데이터의 특성에 맞는 방식으로 해당 차량 데이터를 전처리하고, 상기 전처리된 데이터를 학습된 신경 회로망에 입력시키며, 상기 신경 회로망의 출력을 후처리하여 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단함으로써, 도로의 형태에 상관없이 신속 정확하게 노면의 상태를 판단할 수 있는 차량 데이터 기반의 노면 판단 방법을 제공하고자 한다.
이를 위하여, 본 발명은 제어기가 차량 데이터를 기반으로 노면을 판단하는 방법에 있어서, 차량 데이터를 전처리하는 단계; 상기 전처리 된 데이터를 학습된 신경 회로망에 입력하여 그에 상응하는 출력을 획득하는 단계; 상기 신경 회로망의 출력에서 제1 기준개수의 샘플을 순차적으로 추출한 후 순서상 가운데 위치한 값(이하, 중간값)을 검출하는 단계; 및 상기 검출된 중간값에 기초하여 고마찰 노면인지 저마찰 노면인지를 판단하는 단계를 포함한다.

Description

차량 데이터 기반의 노면 판단 방법{METHOD FOR DECIDING A ROAD SURFACE USING VEHICLE DATA}

본 발명은 차량 데이터 기반의 노면 판단 방법에 관한 것으로, 더욱 상세하게는 차량 네트워크를 통해 획득한 데이터(이하, 차량 데이터)를 기반으로, 차량이 주행중인 노면이 고마찰 노면인지 또는 저마찰 노면인지를 판단하는 기술에 관한 것이다.

본 발명에서 차량 네트워크는 CAN(Controller Area Network), LIN(Local Interconnect Network), 플렉스레이(FlexRay), MOST(Media Oriented System Transport) 등을 포함한다.

최근, 차량에는 운전자의 안전을 도모하기 위해 ABS(Anti-lock Brake System), ESC(Electronic Stability Control) 시스템, SCC(Smart Cruise Control) 시스템, ADAS(Advanced Driver Assistance System) 등과 같은 각종 편의 시스템이 장착되고 있다.

이러한 각종 편의 시스템은 최적의 성능을 발휘하기 위해 노면의 상태를 고려하여 차량의 거동을 제어한다. 여기서, 노면의 상태는 마른 아스팔트 노면 및 마른 시멘트 노면 등과 같은 고마찰(High Friction) 노면, 빗길과 눈길 및 흙길 등과 같은 저마찰(Low Friction) 노면을 의미한다.

종래의 노면 판단 방법은 휠 속도와 엔진 토크 및 차량속도 등과 같은 동역학 데이터를 기반으로 고마찰 노면인지 저마찰 노면인지를 판단하는 방법과, 노면 지향성 초음파 센서나 마이크 등과 같은 각종 센서를 기반으로 고마찰 노면인지 저마찰 노면인지를 판단하는 방법이 있다.

먼저, 동역학 데이터 기반의 노면 판단 방법은 차량에서 발생하는 슬립 현상에 기초하여 고마찰 노면인지 저마찰 노면인지 판단하기 때문에, 급가속 또는 급감속이 없는 특정 패턴의 도로를 주행하는 경우에는 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단할 수 없는 문제점이 있다.

다음으로, 노면 지향성 초음파 센서 기반의 노면 판단 방법은 차량에 추가적인 센서의 장착이 요구되기 때문에 차량의 생산비용을 증가시키는 문제점이 있다.

대한민국공개특허 제1996-0022018호

상기와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 각 차량 데이터의 특성에 맞는 방식으로 해당 차량 데이터를 전처리하고, 상기 전처리된 데이터를 학습된 신경 회로망에 입력시키며, 상기 신경 회로망의 출력을 후처리하여 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단함으로써, 도로의 형태에 상관없이 신속 정확하게 노면의 상태를 판단할 수 있는 차량 데이터 기반의 노면 판단 방법을 제공하는데 그 목적이 있다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상기 목적을 달성하기 위한 본 발명의 방법은, 제어기가 차량 데이터를 기반으로 노면을 판단하는 방법에 있어서, 차량 데이터를 전처리하는 단계; 상기 전처리 된 데이터를 학습된 신경 회로망에 입력하여 그에 상응하는 출력을 획득하는 단계; 상기 신경 회로망의 출력에서 제1 기준개수의 샘플을 순차적으로 추출한 후 순서상 가운데 위치한 값(이하, 중간값)을 검출하는 단계; 및 상기 검출된 중간값에 기초하여 고마찰 노면인지 저마찰 노면인지를 판단하는 단계를 포함한다.

상기 목적을 달성하기 위한 본 발명의 다른 방법은, 제어기가 차량 데이터를 기반으로 노면을 판단하는 방법에 있어서, 차량 데이터를 전처리하는 단계; 상기 전처리 된 데이터를 학습된 신경 회로망에 입력하여 그에 상응하는 출력을 획득하는 단계; 상기 신경 회로망의 출력에서 제1 기준개수의 샘플을 순차적으로 추출한 후 상기 추출된 샘플 값의 평균값을 산출하는 단계; 및 상기 산출된 평균값에 기초하여 고마찰 노면인지 저마찰 노면인지를 판단하는 단계를 포함한다.

상기와 같은 본 발명은, 각 차량 데이터의 특성에 맞는 방식으로 해당 차량 데이터를 전처리하고, 상기 전처리된 데이터를 학습된 신경 회로망에 입력시키며, 상기 신경 회로망의 출력을 후처리하여 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단함으로써, 도로의 형태에 상관없이 신속 정확하게 노면의 상태를 판단할 수 있는 효과가 있다.

도 1 은 본 발명이 적용되는 차량 데이터 기반의 노면 판단 시스템에 대한 일예시도,
도 2 는 본 발명에 따른 신경 회로망의 출력에 대한 일예시도,
도 3 은 본 발명에 따른 노면의 상태 천이도,
도 4 는 본 발명에 따른 차량 데이터 기반의 노면 판단 방법에 대한 일실시예 흐름도,
도 5 는 본 발명에 따른 차량 데이터 기반의 노면 판단 방법에 대한 다른 실시예 흐름도이다.

상술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되어 있는 상세한 설명을 통하여 보다 명확해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다.

도 1 은 본 발명에 따른 차량 데이터 기반의 노면 판단 로직에 대한 일예시도이다.

도 1에 도시된 바와 같이, 본 발명에 따른 차량 데이터 기반의 노면 판단 로직은, 프로그램 명령(Program Instructions)이 기록된 메모리와 연동하는 프로세서(제어기)에 의해 수행되는 과정으로서, 전처리과정(Pre-Processing)(10), 신경 회로망(Neural Network)(20), 및 후처리과정(Post-Processing)(30)을 포함한다.

먼저, 전처리과정(10)은 차량 네트워크를 통해 수집한 차량 데이터를 해당 데이터의 특성이 잘 드러나도록 전처리 과정을 수행한다.

즉, 차량 네트워크(일례로, CAN 버스)를 통해 LAS(Longitudinal Acceleration Sensor) 데이터, WPS(Wheel Speed Sensor) 데이터, APS(Accel pedal Position Sensor) 데이터, SAS(Steering wheel Angle Sensor) 데이터를 일례로 10ms 주기로 수집한다. 이때, 전처리기(10)는 별도의 데이터 수집기(미도시)로부터 LAS 데이터, WPS 데이터, APS 데이터, SAS 데이터를 입력받을 수도 있다.

이후, 차량의 조작에 의해 발생하는 1차적인 출력인 차량 발생 동력, 즉 APS에 대해서는 그 값의 크기와 변화량을 확인하기 위해 평균값과 차이값을 구한다.

또한, 차량의 거동 결과를 나타내는 바퀴의 회전속도 및 차량 종방향 가속도에 대해서는, 윈도우 내에서의 분산을 확인하기 위해 표준편차(Standard Deviation)를 구한다. 이때, 바퀴의 회전속도는 전/후, 좌/우의 차이에 대한 표준편차를 구함으로써, 노면의 불균일한 특성(미끄러운 노면은 균일성이 떨어짐)에 의한 거동특성을 강조시킬 수 있다.

또한, 스티어링 휠의 각도에 대해서는, 차량의 선회에 의한 거동특성의 변화에도 로직이 안정적으로 대응할 수 있도록 평균값과 미분값을 구한다.

이하, 전처리과정(10)에 대해 상세히 살펴보기로 한다. 여기서, 하나의 윈도우(처리 단위)를 구성하는 데이터의 개수(일례로 50개)는 각 데이터의 물리적 특성(전송 시간차)을 고려하기 위한 것으로, 그 수는 임의로 변경 가능하다.

1) LAS 데이터(값) 50개의 표준편차(LAS_Std)를 산출한다.

2) 전륜(Front Wheel)의 평균속도에서 후륜(Rear Wheel)의 평균속도를 뺀 값 50개의 표준편차(FR_Diff_Std)를 산출한다. 즉, 전륜의 평균속도에서 후륜의 평균속도를 빼는 과정을 50회 수행한 후, 50개의 결과값의 표준편차를 구한다. 여기서, 전륜은 좌측 전륜(Front Left Wheel)과 우측 전륜(Front Right Wheel)을 포함하고, 후륜은 좌측 후륜(Rear Left Wheel)과 우측 후륜(Rear Light Wheel)을 포함한다.

3) 우륜(Right Wheel)의 평균속도에서 좌륜(Left Wheel)의 평균속도를 뺀 값 50개의 표준편차(LR_Diff_Std)를 산출한다. 여기서, 우륜은 우측 전륜(Front Right Wheel)과 우측 후륜(Rear Light Wheel)을 포함하고, 좌륜은 좌측 전륜(Front Left Wheel)과 좌측 후륜(Rear Left Wheel)을 포함한다.

4) APS 데이터(값) 50개의 평균(APS_Avg)을 산출한다.

5) APS 데이터의 미분값(현재 APS 값에서 이전 APS 값을 뺀 결과) 50개의 합(APS_Diff)을 산출한다.

6) SAS 데이터의 미분값(현재 SAS 값에서 이전 SAS 값을 뺀 결과) 50개의 합(SAS_Diff)을 산출한다.

7) SAS 데이터(값) 50개의 평균(SAS_Avg)을 산출한다.

이렇게 전처리 된 데이터는 이미 학습이 완료된 신경 회로망(20)에 입력된다.

다음으로, 신경 회로망(20)은 지도학습(Supervised Learning) 방식의 신경 회로망(Neural Network)으로서, 사전에 LAS 데이터, WPS 데이터, APS 데이터, SAS 데이터를 전처리한 결과를 입력하고 그에 상응하는 출력(마찰 정도)을 갖도록 하는 학습이 완료된 상태이다.

이렇게 학습이 완료된 신경 회로망(20)의 출력은 도 2에 도시된 바와 같다.

도 2에서, y축은 신경 회로망(20)의 출력을 나타내고, x축은 시간을 나타낸다. 이때, x축에서 0.1은 10ms을 의미한다.

'210'은 마른 아스팔트 노면 및 마른 시멘트 노면 등과 같은 고마찰(High Friction) 노면에서의 출력을 나타내며, '220'은 눈길 및 빗길 등과 같은 저마찰(Low Friction) 노면에서의 출력을 나타낸다.

고마찰 노면에서는 마찰력이 균일하기 때문에 0.5 미만의 안정적인 출력을 보이지만, 저마찰 노면에서는 마찰력이 균일하지 않기 때문에 0.5 이상 및 0.5 미만의 불안정한 출력을 보인다.

다음으로, 후처리과정(30)은 신경 회로망(20)의 출력을 이용하여 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지를 판단하기 위해 신경 회로망(20)의 출력을 후처리하는 과정을 수행한다.

이하, 후처리과정(30)에 대해 상세히 살펴보기로 한다. 이러한 후처리 과정은 주기적으로 이루어지며, 이때 샘플의 개수는 일례로서 임의로 변경 가능하다.

1) 신경 회로망(20)의 출력에서 300개의 샘플을 추출한 후 그 중에서 최대값을 검출한다. 이때, 최대값은 신경 회로망(20)의 출력의 순간적인 변화를 나타낸다.

2) 상기 추출된 300개 샘플의 표준편차를 산출한다.

3) 상기 추출된 300개 샘플을 대상으로 서로 인접하는 샘플 간 차이의 합을 상대값으로서 구한다. 이때, 샘플 간 차이의 합은 신경 회로망(20)의 출력의 절대 변화량을 나타낸다.

예를 들면, 첫 번째 샘플 값이 1이고, 두 번째 샘플 값이 2이며, 세 번째 샘플 값이 4인 경우, 첫 번째 샘플 값과 두 번째 샘플 값의 차이는 1, 두 번째 샘플 값과 세 번째 샘플 값의 차이는 2이므로, 그 합은 3이 된다.

4) 신경 회로망(20)의 출력에서 1000개의 샘플을 순차적으로 추출한 후 그 중에서 500번째 샘플의 값을 중간값으로서 검출한다. 이때, 중간값은 신경 회로망(20)의 출력의 전반적인 추세를 나타낸다. 한편, 1000개의 샘플 값의 평균을 중간값으로서 검출할 수도 있다.

이하, 도 3을 참조하여 제어기가 노면의 상태를 판단하는 과정에 대해 살펴보기로 한다.

'310'은 초기 상태를 나타내며, 초기 상태에서 중간값이 제1 임계치를 초과하면 저마찰 노면상태(320)로 천이하고, 초과하지 않으면 고마찰 노면상태(330)로 천이한다.

고마찰 노면상태(330)에서, 중간값이 제2 임계치를 초과하면 저마찰 노면상태(320)로 천이하고, 초과하지 않으면 현재 상태를 유지한다.

저마찰 노면상태(320)에서, 중간값이 제3 임계치를 초과하면 현재 상태를 유지하고, 초과하지 않으면 고마찰 노면상태(330)로 천이한다.

여기서, 사용자가 본 발명이 적용되는 시스템의 안정성(stability)에 중점을 두고자 하는 경우, 즉 안정 모드 시 각 임계치의 크기 순서는 '제3 임계치 < 제1 임계치 < 제2 임계치'를 만족한다.

또한, 사용자가 저마찰 노면에 중점을 두고자 하는 경우, 즉 저마찰 중점 모드 시 각 임계치의 크기 순서는 '제1 임계치 < 제3 임계치 < 제2 임계치'를 만족한다.

또한, 사용자가 고마찰 노면에 중점을 두고자 하는 경우, 즉 고마찰 중점 모드 시 각 임계치의 크기 순서는 '제3 임계치 < 제2 임계치 < 제1 임계치'를 만족한다.

추가로, 고마찰 노면상태(330)에서 최대값과 표준편차와 상대값을 모두 합한 결과가 제4 임계치(일례로 4)를 초과하면 저마찰 노면상태(320)로 천이하고, 초과하지 않으면 현재 상태를 유지할 수도 있다.

저마찰 노면상태(320)에서, 최대값이 제5 임계치를 초과하면 현재 상태를 유지하고, 초과하지 않으면 고마찰 노면상태(330)로 천이할 수도 있다.

한편, 본 발명은 노면 판단 결과의 신뢰도를 향상시키기 위해, 신경 회로망(20)의 출력을 통한 미끄러짐 추정 결과를 바탕으로, 하기와 같은 조건에서는 그 판단을 유보할 수도 있다.

1) 주행중 브레이크가 동작

- 이는 전륜의 평균속도, 후륜의 평균속도, 우륜의 평균속도, 좌륜의 평균속도 중 적어도 하나 이상이 설정치를 초과하지 않으면 주행중에 브레이크가 동작한 것으로 판단한다.

2) 저속 구간

- 전륜의 평균속도, 후륜의 평균속도, 우륜의 평균속도, 좌륜의 평균속도가 모두 10kph를 초과하지 않으면 저속 구간으로 판단한다.

3) 선회(turn)

- SAS 값이 기준치를 초과하는 시간(구간)이 유지되면 선회로 판단한다.

4) 험로

주행중에 브레이크가 소정 시간 내에 일정 횟수 이상 동작하면 험로로 판단한다.

이러한 본 발명은 ABS, ESC 시스템, SCC 시스템, ADAS, 4WD 등에 적용되어 해당 시스템의 성능을 향상시킬 수 있다.

도 4 는 본 발명에 따른 차량 데이터 기반의 노면 판단 방법에 대한 일실시예 흐름도로서, 프로세서(제어기)에 의해 수행되는 과정을 나타낸다.

먼저, 차량 데이터를 전처리한다(401).

이후, 상기 전처리 된 데이터를 학습된 신경 회로망에 입력하여 그에 상응하는 출력을 획득한다(402).

이후, 상기 신경 회로망의 출력에서 제1 기준개수의 샘플을 순차적으로 추출한 후 순서상 가운데 위치한 샘플의 값(이하, 중간값)을 검출한다(403).

이후, 상기 검출된 중간값에 기초하여 고마찰 노면인지 저마찰 노면인지를 판단한다(404).

도 5 는 본 발명에 따른 차량 데이터 기반의 노면 판단 방법에 대한 다른 실시예 흐름도로서, 프로세서(제어기)에 의해 수행되는 과정을 나타낸다.

먼저, 차량 데이터를 전처리한다(501).

이후, 상기 전처리 된 데이터를 학습된 신경 회로망에 입력하여 그에 상응하는 출력을 획득한다(502).

이후, 상기 신경 회로망의 출력에서 제1 기준개수의 샘플을 순차적으로 추출한 후 상기 추출된 샘플 값의 평균값을 산출한다(503).

이후, 상기 산출된 평균값에 기초하여 고마찰 노면인지 저마찰 노면인지를 판단한다(504).

한편, 전술한 바와 같은 본 발명의 방법은 컴퓨터 프로그램으로 작성이 가능하다. 그리고 상기 프로그램을 구성하는 코드 및 코드 세그먼트는 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다.　또한, 상기 작성된 프로그램은 컴퓨터가 읽을 수 있는 기록매체(정보저장매체)에 저장되고, 컴퓨터에 의하여 판독되고 실행됨으로써 본 발명의 방법을 구현한다. 그리고 상기 기록매체는 컴퓨터가 판독할 수 있는 모든 형태의 기록매체를 포함한다.

이상에서 설명한 본 발명은, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.

310 : 초기상태
320 : 저마찰 노면상태
330 : 고마찰 노면상태

Claims

제어기가 차량 데이터를 기반으로 노면을 판단하는 방법에 있어서,
차량 데이터를 전처리하는 단계;
상기 전처리 된 데이터를 학습된 신경 회로망에 입력하여 그에 상응하는 출력을 획득하는 단계;
상기 신경 회로망의 출력에서 제1 기준개수의 샘플을 순차적으로 추출한 후 순서상 가운데 위치한 샘플의 값(이하, 중간값)을 검출하는 단계; 및
상기 검출된 중간값에 기초하여 고마찰 노면인지 저마찰 노면인지를 판단하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.
제 1 항에 있어서,
상기 판단 단계는,
초기 상태에서, 중간값이 제1 임계치를 초과하면 저마찰 노면상태로 천이하고, 초과하지 않으면 고마찰 노면으로 천이하는 단계;
고마찰 노면상태에서, 중간값이 제2 임계치를 초과하면 저마찰 노면상태로 천이하고, 초과하지 않으면 현재 상태를 유지하는 단계; 및
저마찰 노면상태에서, 중간값이 제3 임계치를 초과하면 현재 상태를 유지하고, 초과하지 않으면 고마찰 노면상태로 천이하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.
제 2 항에 있어서,
안정 모드 시, 각 임계치의 크기 순서는 '제3 임계치 < 제1 임계치 < 제2 임계치'를 만족하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 2 항에 있어서,
저마찰 중점 모드 시, 각 임계치의 크기 순서는 '제1 임계치 < 제3 임계치 < 제2 임계치'를 만족하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 2 항에 있어서,
고마찰 중점 모드 시, 각 임계치의 크기 순서는 '제3 임계치 < 제2 임계치 < 제1 임계치'를 만족하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 1 항에 있어서,
상기 신경 회로망의 출력에서 제2 기준개수의 샘플을 추출한 후 그 중에서 최대값을 검출하는 단계;
상기 제2 기준개수의 샘플의 표준편차를 산출하는 단계; 및
상기 제2 기준개수의 샘플을 대상으로 서로 인접하는 샘플 간 차이의 합(이하, 상대값)을 산출하는 단계
를 더 포함하는 차량 데이터 기반의 노면 판단 방법.
제 6 항에 있어서,
상기 판단 단계는,
고마찰 노면상태에서, 최대값과 표준편차와 상대값을 모두 합한 결과가 제4 임계치를 초과하면 저마찰 노면상태로 천이하고, 초과하지 않으면 현재 상태를 유지하는 단계
를 더 포함하는 차량 데이터 기반의 노면 판단 방법.
제 6 항에 있어서,
상기 판단 단계는,
저마찰 노면상태에서, 최대값이 제5 임계치를 초과하면 현재 상태를 유지하고, 초과하지 않으면 고마찰 노면상태로 천이하는 단계
를 더 포함하는 차량 데이터 기반의 노면 판단 방법.
제 1 항에 있어서,
상기 차량 데이터는,
LAS(Longitudinal Acceleration Sensor) 데이터, WPS(Wheel Speed Sensor) 데이터, APS(Accel pedal Position Sensor) 데이터, SAS(Steering wheel Angle Sensor) 중 적어도 하나 이상을 포함하는 차량 데이터 기반의 노면 판단 방법.
제 9 항에 있어서,
상기 전처리 단계는,
제3 기준개수의 LAS 데이터의 표준편차를 산출하는 단계;
전륜의 평균속도에서 후륜의 평균속도를 뺀 값에서 제3 기준개수의 샘플을 추출한 후 그 표준편차를 산출하는 단계;
우륜의 평균속도에서 좌륜의 평균속도를 뺀 값에서 제3 기준개수의 샘플을 추출한 후 그 표준편차를 산출하는 단계;
제3 기준개수의 APS 데이터의 평균(APS_Avg)을 산출하는 단계;
APS 데이터의 미분값에서 제3 기준개수의 샘플을 추출한 후 그 합을 산출하는 단계;
SAS 데이터의 미분값에서 제3 기준개수의 샘플을 추출한 후 그 합을 산출하는 단계; 및
제3 기준개수의 SAS 데이터의 평균을 산출하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.
제어기가 차량 데이터를 기반으로 노면을 판단하는 방법에 있어서,
차량 데이터를 전처리하는 단계;
상기 전처리 된 데이터를 학습된 신경 회로망에 입력하여 그에 상응하는 출력을 획득하는 단계;
상기 신경 회로망의 출력에서 제1 기준개수의 샘플을 순차적으로 추출한 후 상기 추출된 샘플 값의 평균값을 산출하는 단계; 및
상기 산출된 평균값에 기초하여 고마찰 노면인지 저마찰 노면인지를 판단하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.
제 11 항에 있어서,
상기 판단 단계는,
초기 상태에서, 평균값이 제1 임계치를 초과하면 저마찰 노면상태로 천이하고, 초과하지 않으면 고마찰 노면으로 천이하는 단계;
고마찰 노면상태에서, 평균값이 제2 임계치를 초과하면 저마찰 노면상태로 천이하고, 초과하지 않으면 현재 상태를 유지하는 단계; 및
저마찰 노면상태에서, 평균값이 제3 임계치를 초과하면 현재 상태를 유지하고, 초과하지 않으면 고마찰 노면상태로 천이하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.
제 12 항에 있어서,
안정 모드 시, 각 임계치의 크기 순서는 '제3 임계치 < 제1 임계치 < 제2 임계치'를 만족하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 12 항에 있어서,
저마찰 중점 모드 시, 각 임계치의 크기 순서는 '제1 임계치 < 제3 임계치 < 제2 임계치'를 만족하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 12 항에 있어서,
고마찰 중점 모드 시, 각 임계치의 크기 순서는 '제3 임계치 < 제2 임계치 < 제1 임계치'를 만족하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 11 항에 있어서,
상기 신경 회로망의 출력에서 제2 기준개수의 샘플을 추출한 후 그 중에서 최대값을 검출하는 단계;
상기 제2 기준개수의 샘플의 표준편차를 산출하는 단계; 및
상기 제2 기준개수의 샘플을 대상으로 서로 인접하는 샘플 간 차이의 합(이하, 상대값)을 산출하는 단계
를 더 포함하는 차량 데이터 기반의 노면 판단 방법.
제 16 항에 있어서,
상기 판단 단계는,
고마찰 노면상태에서, 최대값과 표준편차와 상대값을 모두 합한 결과가 제4 임계치를 초과하면 저마찰 노면상태로 천이하고, 초과하지 않으면 현재 상태를 유지하는 단계
를 더 포함하는 차량 데이터 기반의 노면 판단 방법.
제 16 항에 있어서,
상기 판단 단계는,
저마찰 노면상태에서, 최대값이 제5 임계치를 초과하면 현재 상태를 유지하고, 초과하지 않으면 고마찰 노면상태로 천이하는 단계
를 더 포함하는 차량 데이터 기반의 노면 판단 방법.
제 11 항에 있어서,
상기 차량 데이터는,
LAS(Longitudinal Acceleration Sensor) 데이터, WPS(Wheel Speed Sensor) 데이터, APS(Accel pedal Position Sensor) 데이터, SAS(Steering wheel Angle Sensor) 중 적어도 하나 이상을 포함하는 차량 데이터 기반의 노면 판단 방법.
제 19 항에 있어서,
상기 전처리 단계는,
제3 기준개수의 LAS 데이터의 표준편차를 산출하는 단계;
전륜의 평균속도에서 후륜의 평균속도를 뺀 값에서 제3 기준개수의 샘플을 추출한 후 그 표준편차를 산출하는 단계;
우륜의 평균속도에서 좌륜의 평균속도를 뺀 값에서 제3 기준개수의 샘플을 추출한 후 그 표준편차를 산출하는 단계;
제3 기준개수의 APS 데이터의 평균(APS_Avg)을 산출하는 단계;
APS 데이터의 미분값에서 제3 기준개수의 샘플을 추출한 후 그 합을 산출하는 단계;
SAS 데이터의 미분값에서 제3 기준개수의 샘플을 추출한 후 그 합을 산출하는 단계; 및
제3 기준개수의 SAS 데이터의 평균을 산출하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.