KR101876063B1

KR101876063B1 - 차량 데이터 기반의 노면 판단 방법

Info

Publication number: KR101876063B1
Application number: KR1020160127658A
Authority: KR
Inventors: 김시준; 서해진
Original assignee: 현대자동차주식회사
Priority date: 2016-10-04
Filing date: 2016-10-04
Publication date: 2018-07-06
Also published as: CN107901912A; DE102017201302A1; CN107901912B; US20180095462A1; DE102017201302B4; KR20180037468A

Abstract

본 발명은 차량 데이터 기반의 노면 판단 방법에 관한 것으로, 차량의 주행상황을 소정의 케이스로 분류한 후 각 케이스의 특성에 맞는 학습 로직을 적용하여 케이스별 추론모델을 구성하고, 상기 케이스별 추론모델을 기반으로 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, 차량의 주행상황을 복수의 케이스로 분류하는 단계; 상기 분류된 각 케이스의 특성에 맞는 학습로직을 적용하여 케이스별 추론모델을 구성하는 단계; 및 상기 구성된 케이스별 추론모델을 기반으로 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 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 차량의 주행상황을 소정의 케이스로 분류한 후 각 케이스의 특성에 맞는 학습 로직을 적용하여 케이스별 추론모델을 구성하고, 상기 케이스별 추론모델을 기반으로 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, 차량의 주행상황을 복수의 케이스로 분류하는 단계; 상기 분류된 각 케이스의 특성에 맞는 학습로직을 적용하여 케이스별 추론모델을 구성하는 단계; 및 상기 구성된 케이스별 추론모델을 기반으로 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단하는 단계를 포함한다.

여기서, 상기 추론모델 구성 단계는 차량에 대한 운전자의 조작과 그에 따른 차량 거동 간의 관계를 기반으로 추론모델 구성시, 타임 윈도우에 기초하여 운전자의 조작 데이터와 차량의 거동 데이터를 전처리한다. 이때, 상기 전처리 과정은 전륜 휠 속도와 후륜 휠 속도 간 차이의 분산, 휠 가속도, 휠 가속도의 분산, 휠 속도의 평균 중 적어도 하나 이상을 산출한다.

또한, 상기 케이스 분류 단계는 차량의 속도를 기반으로 일반주행, 가속주행, 감소주행으로 분류하고, 이때 상기 추론모델 구성 단계는 차량의 주행상황이 일반주행인 경우, 학습로직으로서 콤플렉스 트리(Complex Tree) 기법을 적용하고, 차량의 주행상황이 가속주행인 경우, 학습로직으로서 SVM(Support Vector Machine) 기법을 적용하며, 차량의 주행상황이 감속주행인 경우, 학습로직으로서 신경회로망(Neural Network) 기법을 적용한다.

또한, 상기 판단 단계는 케이스별 추론모델을 통해 획득한 결과값을 케이스 발생 순서에 따라 결합하는 단계와, 상기 결합된 결과값에 히스테리시스를 적용하는 단계와, 상기 히스테리시스가 적용된 결과값을 이용하여 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단하는 단계를 포함한다. 이때, 상기 결합 단계는 현재 케이스의 유지시간에 기초하여 가중치를 부여하여 다음 케이스로의 전이 시간을 지연시킬 수도 있다.

상기와 같은 본 발명은, 차량의 주행상황을 소정의 케이스로 분류한 후 각 케이스의 특성에 맞는 학습 로직을 적용하여 케이스별 추론모델을 구성하고, 상기 케이스별 추론모델을 기반으로 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단함으로써, 도로의 형태에 상관없이 신속 정확하게 노면의 상태를 판단할 수 있는 효과가 있다.

도 1 은 차량에 대한 운전자의 조작과 그에 따른 차량 거동 간의 관계를 기반으로 추론모델을 구성하는 과정을 나타내는 일예시도,
도 2 는 본 발명에 따른 입력부와 전처리부의 상세 구성도,
도 3 은 본 발명에 따른 타임 윈도우 버퍼의 일실시예 구조도,
도 4 는 케이스별 추론모델을 기반으로 노면을 판단하는 과정을 나타내는 일예시도,
도 5 는 본 발명에 따른 로직 연산부의 기능 설명도,
도 6 은 본 발명에 따른 차량 데이터 기반의 노면 판단 방법에 대한 일실시예 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 차량에 대한 운전자의 조작과 그에 따른 차량 거동 간의 관계를 기반으로 추론모델을 구성하는 과정을 나타내는 일예시도로서, 상기 과정을 수행하는 주체인 제어기(프로세서)의 기능 블록을 의미하기도 한다.

도 1에 도시된 바와 같이, 본 발명에 따른 추론모델을 구성하기 위한 제어기는, 입력부(10), 전처리부(20), 주행상황 판단부(30), 및 추론모델 구성부(40)를 포함한다.

상기 각 구성요소들에 대해 살펴보면, 먼저 입력부(10)는 차량에 대한 운전자의 조작에 의해 발생하는 데이터(이하, 운전자 조작 데이터)와, 운전자의 조작에 따른 차량의 거동(Movement) 데이터를 입력받는다. 이때, 운전자의 조작은 차량에 대한 횡방향 조작과 종방향 조작을 통칭하는 용어로서, 차량의 스티어링, 가속, 감속을 포함한다. 아울러 차량의 거동은 횡방향 거동과 종방향 거동을 모두 포함한다.

이러한 입력부(10)는 도 2에 도시된 바와 같이, 운전자 조작 데이터를 검출하는 액추에이터(actuator)(11)와 차량의 거동 데이터를 감지하는 센서(12)를 포함한다.

일례로, 운전자 조작 데이터는 조향각, 종가속도, 감속도(브레이크) 등을 포함하고, 차량 거동 데이터는 LAS(Longitudinal Acceleration Sensor) 데이터, WPS(Wheel Speed Sensor) 데이터, APS(Accel pedal Position Sensor) 데이터, SAS(Steering wheel Angle Sensor) 데이터, YRS(Yaw Rate Sensor) 데이터, 속도 등을 포함한다.

또한, 입력부(10)는 사용자 입력기(HMI INPUT)를 더 구비하여 사용자로부터 각종 정보 또는 명령을 입력받을 수도 있다.

다음으로, 전처리부(20)는 액추에이터(11)로부터 출력되는 운전자 조작 데이터(Raw Date)와 센서(12)로부터 출력되는 차량 거동 데이터(Raw Date)에, 도 3에 도시된 바와 같은 소정 크기의 타임 윈도우 버퍼(Time Window Buffer)를 적용하여 각 윈도우의 성분을 추출함으로써, 소정의 시간 단위로 데이터 특성값을 산출할 수 있다. 이렇게 산출된 데이터 특성값은 학습에 이용된다.

여기서, 데이터 특성값은 평균(Average)값, 중간(Median) 값, 표준편차(Standard Deviation), 미분(Differentiation) 값, 적분(Integration) 값, 상관값(Correlation Value), FFT(Fast Fourier Transform) 값, 주파수 변환 값 등을 포함하며, 일례로, 전처리부(20)는 타임 윈도우에 기초하여 전륜 휠 속도와 후륜 휠 속도 간 차이의 분산, 휠 가속도, 휠 가속도의 분산, 휠 속도의 평균 등을 산출한다.

이러한 전처리부(20)는 운전자 조작 데이터에 소정 크기의 타임 윈도우 버퍼를 적용하여 데이터 특성값을 산출하는 제 1 전처리기(21)와, 차량 거동 데이터에 소정 크기의 타임 윈도우를 적용하여 데이터 특성값을 산출하는 제 2 전처리기(22)를 포함할 수도 있다.

한편, 전처리부(20)는 하기의 기능을 더 수행할 수도 있다.

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.

다음으로, 주행상황 판단부(30)는 차량의 거동 데이터에 기초하여 차량의 주행상황을 판단한다. 즉, 속도를 기반으로 차량의 주행상황이 일반주행인지, 가속주행인지, 감속주행인지를 판단한다.

이하, 하기의 [표 1]을 참조하여 주행상황 판단부(30)의 기능에 대해 살펴보기로 한다.

	강가속	약가속	등속	무동력	완제동 case 9	급제동 case 10	급가속 case 11
고속	case 1	case 2	case 3	case 4
저속	case 5	case 6	case 7	case 8

상기 [표 1]에서, 고속은 차량의 속도가 55KPH를 초과하는 경우, 저속은 차량의 속도가 55KPH 미만인 경우, 강가속은 차량의 속도가 초당 3KPH 증가하는 경우, 약가속은 차량의 속도가 초당 1KPH 증가하는 경우, 등속은 차량의 속도가 소정의 범위(-0.5~0.5KPH) 내에서 변동하는 경우, 무동력은 차량의 속도가 초당 0.5KPH 감소하는 경우, 완제동은 중력 가속도가 -0.6g를 초과하는 경우, 급제동은 중력 가속도가 -0.6g 이하인 경우, 급가속은 APS 데이터 값이 최대인 경우를 각각 의미한다.

따라서, case 1은 차량이 고속으로 주행하고 있는 상태에서 강가속이 발생한 경우, case 2는 차량이 고속으로 주행하고 있는 상태에서 약가속이 발생한 경우, case 3은 차량이 고속으로 주행하고 있는 상태에서 등속이 발생한 경우, case 4는 차량이 고속으로 주행하고 있는 상태에서 무동력이 발생한 경우, case 5는 차량이 저속으로 주행하고 있는 상태에서 강가속이 발생한 경우, case 6은 차량이 저속으로 주행하고 있는 상태에서 약가속이 발생한 경우, case 7은 차량이 저속으로 주행하고 있는 상태에서 등속이 발생한 경우, case 8은 차량이 저속으로 주행하고 있는 상태에서 무동력이 발생한 경우, case 9는 차량이 고속이든 저속이든 상관없이 완제동이 발생한 경우, case 10은 차량이 고속이든 저속이든 상관없이 급제동이 발생한 경우, case 11은 차량이 고속이든 저속이든 상관없이 급가속이 발생한 경우를 각각 의미한다.

이때, 일반주행은 case 2, case 3, case 6, case 7을 포함하고, 가속주행은 case 1, case 5, case 11을 포함하며, 감속주행은 case 4, case 8, case 9, case 10을 포함한다.

다음으로, 추론모델 구성부(40)는 오프라인에서 학습을 수행하기 위한 모듈로서, 주행상황 판단부(30)에 의해 판단된 주행상황에 맞는 학습로직을 적용하여 추론모델을 구성한다.

즉, 추론모델 구성부(40)는 일반주행에 대해서 학습로직으로서 콤플렉스 트리(Complex Tree) 기법을 적용하여 학습하고, 가속주행에 대해서 학습로직으로서 SVM(Support Vector Machine) 기법을 적용하여 학습하며, 감속주행에 대해서 학습로직으로서 지도학습(Supervised Learning) 방식의 신경회로망(Neural Network) 기법을 적용하여 학습한다. 이는 각 주행상황에 최적화된 학습로직을 적용하기 위함이다.

일례로, 추론모델 구성부(40)는 횡방향 거동 데이터(일례로, SAS 데이터와 YRS 데이터를 이용하여 산출한 방향각 변화량)와 종방향 거동 데이터(APS 데이터, 전륜 휠 속도와 후륜 휠 속도 간 차이의 분산)에 대해서 콤플렉스 트리 기법의 학습로직을 적용하여 학습한다.

또한, 추론모델 구성부(40)는 휠 속도 평균값 변화량의 고주파 에너지를 계산(주파수 변환을 통해 계산함)한 후, 휠 가속도 및 APS 데이터와의 2차원 맵매칭을 수행한다.

또한, 추론모델 구성부(40)는 차량의 속도와 종방향 가속도 및 종방향 가속도의 분산값에 대해서 신경회로망 기법의 학습로직을 적용하여 학습한다.

한편, 추론모델 구성부(40)는 학습을 위해 입력되는 데이터가 고마찰 노면인지 저마찰 노면인지를 알려주는 라벨정보(41)를 더 입력받는다. 이러한 추론모델 구성부(40)는 복수의 고마찰로와 복수의 저마찰로에서 수차례의 학습을 수행하여 완성도 높은 추론모델을 생성하는 것이 바람직하다.

이렇게 구성된 케이스별 추론모델은 차량에 적용되어 저마찰 노면을 판단하는데 이용된다. 이하, 도 4를 참조하여 케이스별 추론모델을 기반으로 노면을 판단하는 과정에 대해 살펴보기로 한다.

도 4 는 케이스별 추론모델을 기반으로 노면을 판단하는 과정을 나타내는 일예시도로서, 상기 과정을 수행하는 주체인 제어기(프로세서)의 기능 블록을 의미하기도 한다.

도 1에 도시된 바와 같이, 본 발명에 따른 케이스별 추론모델을 기반으로 노면을 판단하는 제어기는, 입력부(10), 전처리부(20), 주행상황 판단부(30), 로직 연산부(50), 결합부(60), 후처리부(70), 및 노면 판단부(80)를 포함한다.

상기 구성에서 입력부(10), 전처리부(20), 주행상황 판단부(30)는 상술한 케이스별 추론모델을 구성하는 과정에서 수행하는 기능을 동일하게 수행하므로 그 외의 구성요소에 대해서 살펴보기로 한다.

먼저, 로직 연산부(50)는 주행상황 판단부(30)에 의해 판단된 주행상황에 상응하는 추론모델을 결정한다.

그리고 로직 연산부(50)는 상기 결정된 추론모델에 입력부(10)로부터의 데이터와 전처리부(20)로부터의 데이터 중 상기 추론모델에 상응하는 데이터를 추출한 후 상기 추출된 데이터를 추론모델에 입력하여 결과값을 획득한다. 이때, 결과값은 고마찰 노면을 나타내는 값(일례로 0)과 저마찰 노면을 나타내는 값(일례로 1) 사이의 값을 나타낸다.

즉, 로직 연산부(50)는 주행상황이 일반주행에 해당하는 케이스이면 콤플렉스 트리 기법을 적용하여 구성한 제1 추론모델을 이용하고, 주행상황이 가속주행에 해당하는 케이스이면 SVM 기법을 적용하여 구성한 제2 추론모델을 이용하며, 주행상황이 감속주행에 해당하는 케이스이면 신경회로망 기법을 적용하여 구성한 제3 추론모델을 이용한다.

도 5를 참조하여, 로직 연산부(50)의 기능에 대해 살펴보기로 한다.

'510' 과정은 차량의 주행상황이 일반주행으로 제1 추론모델에 상응하는 데이터 입력셋 A를 제1 후처리(필터링) 한 후 제1 추론모델에 입력하여 제1 결과값을 획득하는 과정을 나타낸다.

'520' 과정은 차량의 주행상황이 가속주행으로 제2 추론모델에 상응하는 데이터 입력셋 B를 제2 후처리(필터링) 한 후 제2 추론모델에 입력하여 제2 결과값을 획득하는 과정을 나타낸다.

'530' 과정은 차량의 주행상황이 감속주행으로 제3 추론모델에 상응하는 데이터 입력셋 C를 제3 후처리(필터링) 한 후 제3 추론모델에 입력하여 제3 결과값을 획득하는 과정을 나타낸다.

이때, '510' 과정과 '520' 과정 및 '530' 과정은 동일 시간대에 수행될 수도 있고, 서로 다른 시간대에 수행될 수도 있으며, 일부 시간대가 중첩될 수도 있다.

또한, 로직 연산부(50)는 추론모델을 기반으로 획득한 결과값이 발산하는 경우에는 학습로직에 의한 판단이 어려운 과도한 주행상황(험로 주행)으로 판단하고, 이를 후처리부(70)에 알린다(540).

한편, 차량의 주행상황은 시시각각으로 변한다. 즉, 상술한 11개의 케이스 간에 빈번한 상태 천이가 발생한다.

따라서 저마찰 노면을 판단하기 위해, 케이스별로 추론모델을 적용하여 획득한 결과값을 케이스의 발생 순서에 따라 결합하는 과정이 필요하다. 이는 결합부(60)에 의해 수행된다.

예를 들어, 케이스가 1,3,5,2의 순서로 발생했고, 케이스 1의 결과가 0.8이고, 케이스 3의 결과가 0.7, 케이스 5의 결과가 0.5, 케이스 2의 결과가 0.7이면, 결합부는 케이스 1,3,5,2의 순서로 0.8, 0.7, 0.5, 0.7을 연결한다. 짧은 시간 단위로 결과값들이 발생한다면 결합결과는 그래프의 형태로 나타난다.

이때, 결합부(60)는 현재 케이스가 유지된 시간에 기초한 가중치를 부여하여 다음 케이스로의 전환시간을 지연시킬 수도 있다. 이는 판단 버퍼(미도시)를 더 구비하는 형태로 구현될 수 있다.

예를 들어, 케이스 3이 일정 시간 유지되고 있는 상태에서 순간적으로 케이스 1이 발생한 경우(케이스 1이 일정시간 동안 유지되지 않는 경우), 결합부(60)는 판단 버퍼를 통해 케이스 1로의 전환을 지연시켜 케이스 3의 상태를 유지할 수 있다.

일반적으로, 주행 도로의 상태는 빠르게 변화하지 않지만, 차량 데이터를 기반으로 판단한 노면의 상태는 수시로 변할 수 있기 때문에 큰 경향적 판단이 이루어질 필요가 있다. 즉, 노면 판단부(80)에 의해 판단된 결과의 빈번한 변화를 감소시켜야 한다.

이를 위해, 후처리부(70)는 결합부(60)에 의해 결합된 결과값(연속된 값)에 히스테리시스(hysteresis)를 적용한다.

이후, 노면 판단부(80)는 상기 히스테리시스가 적용된 결과값을 이용하여 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단한다.

즉, 노면 판단부(80)는 상기 히스테리시스가 적용된 결과값이 임계치를 초과하면 저마찰 노면으로 판단하고, 임계치를 초과하지 않으면 고마찰 노면으로 판단한다.

본 발명의 일실시 예에서 추론모델을 구성하는 제어기와 추론모델을 기반으로 노면을 판단하는 제어기를 별개의 구성으로 구현한 예를 설명하였지만, 하나의 제어기가 모든 기능을 수행하도록 구현할 수도 있다.

도 6 은 본 발명에 따른 차량 데이터 기반의 노면 판단 방법에 대한 일실시예 흐름도로서, 제어기(프로세서)에 의해 수행되는 절차를 나타낸다.

먼저, 차량의 주행상황을 복수의 케이스로 분류한다(601).

이후, 상기 분류된 각 케이스의 특성에 맞는 학습로직을 적용하여 케이스별 추론모델을 구성한다(602).

이후, 상기 구성된 케이스별 추론모델을 기반으로 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단한다(603).

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.

10 : 입력부
20 : 전처리부
30 : 주행상황 판단부
40 : 추론모델 구성부
50 : 로직 연산부
60 : 결합부
70 : 후처리부
80 : 노면 판단부

Claims

제어기가 차량 데이터를 기반으로 노면을 판단하는 방법에 있어서,
차량의 주행상황을 복수의 케이스로 분류하는 단계;
상기 분류된 각 케이스의 특성에 맞는 학습로직을 적용하여 케이스별 추론모델을 구성하는 단계; 및
상기 구성된 케이스별 추론모델을 기반으로 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.
제 1 항에 있어서,
상기 추론모델 구성 단계는,
차량에 대한 운전자의 조작과 그에 따른 차량 거동 간의 관계를 기반으로 추론모델을 구성하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 2 항에 있어서,
상기 추론모델 구성 단계는,
타임 윈도우에 기초하여 운전자의 조작 데이터와 차량의 거동 데이터를 전처리하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 3 항에 있어서,
상기 전처리 과정은,
전륜 휠 속도와 후륜 휠 속도 간 차이의 분산, 휠 가속도, 휠 가속도의 분산, 휠 속도의 평균 중 적어도 하나 이상을 산출하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 1 항에 있어서,
상기 케이스 분류 단계는,
차량의 속도를 기반으로 일반주행, 가속주행, 감소주행으로 분류하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 5 항에 있어서,
상기 추론모델 구성 단계는,
차량의 주행상황이 일반주행인 경우, 학습로직으로서 콤플렉스 트리(Complex Tree) 기법을 적용하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 5 항에 있어서,
상기 추론모델 구성 단계는,
차량의 주행상황이 가속주행인 경우, 학습로직으로서 SVM(Support Vector Machine) 기법을 적용하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 5 항에 있어서,
상기 추론모델 구성 단계는,
차량의 주행상황이 감속주행인 경우, 학습로직으로서 신경회로망(Neural Network) 기법을 적용하는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.
제 1 항에 있어서,
상기 판단 단계는,
케이스별 추론모델을 통해 획득한 결과값을 케이스 발생 순서에 따라 결합하는 단계;
상기 결합된 결과값에 히스테리시스를 적용하는 단계; 및
상기 히스테리시스가 적용된 결과값을 이용하여 차량이 주행중인 노면이 고마찰 노면인지 저마찰 노면인지 판단하는 단계
를 포함하는 차량 데이터 기반의 노면 판단 방법.
제 9 항에 있어서,
상기 결합 단계는,
현재 케이스의 유지시간에 기초하여 가중치를 부여하여 다음 케이스로의 전이 시간을 지연시키는 것을 특징으로 하는 차량 데이터 기반의 노면 판단 방법.