KR101934833B1 - 딥러닝 기반의 전자식 브레이크 제어 장치, 방법 및 컴퓨터 프로그램, 그리고 전자식 브레이크 제어 시스템 - Google Patents

Abstract

본 발명의 일 실시예는, 전자식 브레이크 제어 장치가, 운행장치에 구비된 전자식 브레이크를 제어하는 방법에 있어서, 결함 검지부가, 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 상기 센서 유닛의 센싱값들에 따른 상기 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서의 적어도 일부의 결함 검지 대상 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측하는 단계; 및 브레이크 제어부가, 상기 센서 유닛의 센싱값 및 상기 결함 검지부에 의해 예측된 결함 정보에 기초하여 상기 브레이크 유닛을 제어하는 단계;를 포함하고, 전자식 브레이크 제어 방법을 개시한다.

Description

딥러닝 기반의 전자식 브레이크 제어 장치, 방법 및 컴퓨터 프로그램, 그리고 전자식 브레이크 제어 시스템{Apparatus and method for controlling electro-mechanical brake based on deep-learning, computer program for executing the method, and System for controlling the electro-mechanical brake}

딥러닝 기반의 전자식 브레이크 제어 장치, 방법 및 컴퓨터 프로그램, 그리고 전자식 브레이크 제어 시스템에 관한 것이다.

기존의 브레이크 시스템은 운전자가 브레이크 페달을 밟았을 때 브레이크 호스 안의 브레이크 액이 마스터 실린더를 통해 네 개의 바퀴로 전달되어 브레이크 캘리버 속 실린더로 유입된 브레이크 액이 피스톤을 밀어서 브레이크 패드와 로터가 붙어 생긴 마찰이 차를 제동하는 방식이다.

최근에는 브레이크 유압 제어 시스템을 전자식으로 제어하는 브레이크-바이-와이어(brake-by-wire) 기술이 개발되어, 4개의 브레이크를 독립적으로 능동 제어할 수 있게 되었다. 본 기술에 따르면 브레이크를 작동시키기 위한 유압 호스나 부스터 같은 기계 장치 및 브레이크 오일을 없앨 수 있으므로 차량 무게를 줄여 연비를 향상시킬 수 있고, 작동 속도가 빨라서 제동거리가 15% 이상 감소하는 것으로 확인되고 있다. 또한 네 바퀴에 이상적으로 제동력을 분배해 최적의 제동이 가능하다. 그러나 외부 사이버공격과 외란 및 결함, 고장, 전원공급문제 등으로 인한 취약점을 극복하여 신뢰성을 확보해야 하는 문제가 있다.

시스템의 고 신뢰성을 확보하기 위한 방법으로는, 배터리나 센서, 액츄에이터, ECU 등의 하드웨어 이중화(hardware redundancy)기법이 있다. 부품의 개수만 늘리면 되기 때문에 비교적 간단히 이용할 수 있지만 공간, 무게, 전력, 비용적인 측면에서 차세대 차량(자율주행차량 및 전기차)에 효율적이라 할 수 없다. 결과적으로 생산 비용과 경량화에 영향을 줄 수 있으므로 하드웨어 이중화 기법의 도입은 한계가 있다.

하드웨어 이중화 기법의 단점을 해결하기 위한 방안으로 해석적 이중화(analytical redundancy)가 있다. 해석적 이중화는 시스템에 대한 해석을 기반으로 배터리, 센서, 액츄에이터, ECU 에서 측정되는 값과 시스템의 수학적 모델의 추정값의 차이(residual)를 사용하여 시스템의 제어 신뢰성을 제공한다. 그러나 시스템 다이내믹스(dynamics)를 기반으로 서로 다른 물리량을 측정하는 센서들의 간의 관계성을 나타낼 수 있도록 수학적으로 모델링하여 센서들의 관계성을 파악하여 결함을 탐지하는 기술의 경우, 과반수 이상의 센서에 결함이 동시에 발생하였을 때 결함 탐지가 불가능하다. 또한 모델링 과정에서 노면상태와 같은 외란 및 잡음으로 인해 실제 시스템과 오차가 발생할 수밖에 없는데, 이런 오차들은 시스템에 악영향을 끼치고 제어 신뢰성 저하의 원인이 된다.

본 발명은 전술한 이중화 기법의 문제점을 해결하기 위한 것으로, 시스템의 수학적 모델을 필요로 하지 않으면서도 환경에 적응적이고, 주행 중 센서로부터 얻은 데이터만으로도 정확하게 실시간 결함 탐지가 가능한, 딥러닝 기반의 전자식 브레이크 제어 장치, 방법 및 컴퓨터 프로그램, 그리고 전자식 브레이크 제어 시스템을 제공하고자 한다.

또한 군집 주행 그룹을 가변적으로 운용할 수 있는 군집 주행 시스템, 이의 제어 방법 및 컴퓨터 프로그램을 제공하고자 한다.

본 발명의 일 실시예는, 전자식 브레이크 제어 장치가, 운행장치에 구비된 전자식 브레이크를 제어하는 방법에 있어서, 결함 검지부가, 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 상기 센서 유닛의 센싱값들에 따른 상기 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서의 적어도 일부의 결함 검지 대상 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측하는 단계; 및 브레이크 제어부가, 상기 센서 유닛의 센싱값 및 상기 결함 검지부에 의해 예측된 결함 정보에 기초하여 상기 브레이크 유닛을 제어하는 단계;를 포함하는 전자식 브레이크 제어 방법을 개시한다.

일 실시예에 있어서, 상기 복수의 이종 센서는, 페달 답력 센서, 페달 포지션 센서 및 휠 속도 센서를 포함할 수 있다.

일 실시예에 있어서, 상기 제어하는 단계는, 상기 센서 유닛으로부터 상기 복수의 이종 센서 각각에 대한 센싱값을 수신하는 단계; 상기 결함 정보에 기초하여 상기 복수의 이종 센서 중 유효 센서를 선별하는 단계; 및 상기 선별된 유효 센서의 센싱값에 기초하여 상기 브레이크 유닛을 제어하는 단계;를 포함할 수 있다.

일 실시예에 있어서, 상기 결함 분류 모델은, 상기 복수의 이종 센서의 센싱값 벡터의 시계열적 누적 데이터를 입력받는 입력층; 상기 입력 데이터를 시간의 흐름에 따라 선택적으로 반영하여 계산되는 LSTM 층; 상기 LSTM 층을 배치 단위로 정규화한 배치정규화층; 상기 배치정규화층의 데이터로부터 기설정된 분류코드들 각각에 관한 확률이 계산되는 소프트맥스 출력층; 및 상기 소프트맥스 출력층의 데이터로부터 최종적으로 결함이 발생한 센서의 정보를 나타내는 결함 정보를 출력하는 출력층;을 포함할 수 있다.

일 실시예에 있어서, 상기 결함 정보는 2ⁿ 개(n=상기 결함 검지 대상 센서의 개수) 이하의 기설정된 분류코드들 중 어느 하나의 분류코드를 나타내도록 설정되고, 상기 기설정된 분류코드들 각각은 상기 결함 검지 대상 센서 각각의 결함이 존재하는 경우와 존재하지 않는 경우에 대한 경우의 수 각각에 사전에 매칭되고, 상기 전자식 브레이크 제어 장치는 상기 매칭된 테이블 정보를 저장하고, 상기 제어하는 단계는, 상기 센서 유닛의 센싱값, 상기 결함 검지부에 의해 예측된 결함 정보 및 상기 테이블 정보에 기초하여 상기 브레이크 유닛을 제어할 수 있다.

본 발명의 다른 실시예는, 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 상기 센서 유닛의 센싱값들에 따른 상기 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서의 적어도 일부의 결함 검지 대상 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측하는 결함 검지부; 및 상기 센서 유닛의 센싱값 및 상기 결함 검지부에 의해 예측된 결함 정보에 기초하여 상기 브레이크 유닛을 제어하는 브레이크 제어부;를 포함할 수 있다.

본 발명의 다른 실시예는, 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛; 상기 운행장치를 제동시키는 브레이크 유닛; 및 상기 센서 유닛의 센싱값에 기초하여 상기 브레이크 유닛을 제어하는 제어부;를 포함하고, 상기 제어부는, 상기 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 상기 센서 유닛의 센싱값들에 따른 상기 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서의 적어도 일부의 결함 검지 대상 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측하는 결함 검지부; 및 상기 센서 유닛의 센싱값 및 상기 결함 검지부에 의해 예측된 결함 정보에 기초하여 상기 브레이크 유닛을 제어하는 브레이크 제어부;를 포함할 수 있다.

본 발명의 다른 실시예는, 컴퓨터를 이용하여 제1 항 내지 제5 항 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램을 개시한다.

이러한 일반적이고 구체적인 측면이 시스템, 방법, 컴퓨터 프로그램, 또는 어떠한 시스템, 방법, 컴퓨터 프로그램의 조합을 사용하여 실시될 수 있다.

본 발명의 일 실시예에 따른 딥러닝 기반의 전자식 브레이크 제어 장치, 방법 및 컴퓨터 프로그램, 그리고 전자식 브레이크 제어 시스템에 따르면 주행 중 센서로부터 얻은 데이터만으로도 정확하게 실시간 결함 탐지가 가능한 바, 센서 결함으로 인해 발생할 수 있는 위험한 상황이 미연에 방지되어 안전한 주행이 가능하다.

본 발명의 일 실시예에 따른 딥러닝 기반의 전자식 브레이크 제어 장치, 방법 및 컴퓨터 프로그램, 그리고 전자식 브레이크 제어 시스템에 따르면 실시간 결함 탐지 결과에 따라 유효한 센싱값을 선별하여 사용하므로, 전자식 브레이크의 높은 신뢰성이 보장된다.

도 1은 본 발명의 일 실시예에 따른 전자식 브레이크 제어 시스템을 도시한 것이다.
도 2는 일 실시예에 따른 전자식 브레이크 제어 장치를 블록도로 도시한 것이다.
도 3은 도 2에 도시된 결함 검지부의 개략적인 구성을 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 결함 검지 방법의 흐름도이다. 도 4에
도 5는 일 실시예에 따른 결함 분류 모델을 개략적으로 도시한 것이다.
도 6은 도 2의 브레이크 제어부(140)의 구성을 개략적으로 도시한 블록도이다.
도 7은 본 발명의 일 실시예에 따른 전자식 브레이크 제어 방법의 흐름도이다.

본 발명의 실시예들은 다양한 변환을 가할 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 실시예들의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 내용들을 참조하면 명확해질 것이다. 그러나 본 발명의 실시예들은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.

이하, 첨부된 도면을 참조하여 이하의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

이하의 실시예에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성의 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 등은 설명의 편의를 위해 임의로 나타내었으므로, 이하의 실시예는 반드시 도시된 바에 한정되지 않는다.

도 1은 본 발명의 일 실시예에 따른 전자식 브레이크 제어 시스템을 도시한 것이다.

도 1을 참조하면, 일 실시예에 따른 전자식 브레이크 제어 시스템(1)은 휠(wheel, 바퀴)로 구동되는 운행장치에 탑재될 수 있다.

일 실시예에 따른 전자식 브레이크 제어 시스템(1)은 운행장치에 적용될 수 있다. 일 실시예에 따른 전자식 브레이크 제어 시스템(1)은 복수의 휠 중 하나 이상의 속도를 늦추기 위한 브레이크(13)를 포함한다. 브레이크(13)는 복수의 휠 중 하나 이상에 연결되어 마찰을 가하는 방식으로 속도를 늦출 수 있다.

일 실시예에 따른 전자식 브레이크 제어 시스템(1)은 제어부(11)를 포함한다. 제어부(11)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있으며, 전술한 브레이크(13)를 제어하는 등 시스템(1) 전반을 제어할 수 있다. 제어부(11)는 적어도 하나 이상의 프로세서(processor)에 해당하거나, 적어도 하나 이상의 프로세서를 포함할 수 있고, 마이크로 프로세서나 범용 컴퓨터 시스템과 같은 다른 하드웨어 장치에 포함된 형태로 구동될 수 있다.

페달 유닛(12)은 브레이크를 구동하기 위한 전기적 신호를 발생시킬 수 있다. 상세히, 페달 유닛(12)은 운전자가 힘을 가하면 차체에 고정된 브래킷에 대하여 회전하도록 구비되는 페달, 페달에 발생되는 답력을 센싱하는 페달 답력 센서, 및 페달의 포지션(위치)을 센싱하는 페달 포지션 센서를 포함할 수 있다. 페달 답력 센서 및 페달 포지션 센서의 센싱값은 제어부(11)에 전달될 수 있으며, 제어부(11)는 페달 답력 센서 및 페달 포지션 센서의 센싱값을 기초로 브레이크(13)를 제어할 수 있다.

일 실시예에 따른 전자식 브레이크 제어 시스템(1)은 휠의 속도를 감지하는 휠 속도 센서(14)를 포함할 수 있다. 휠 속도 센서(14)는 휠 자체의 속도를 직접적으로 감지하거나, 휠에 연결된 구조물, 예컨대 휠과 함께 회전하는 로터, 휠과 휠을 연결하는 샤프트 등의 속도를 감지하도록 구비된 센서일 수 있다.

도 2는 일 실시예에 따른 전자식 브레이크 제어 장치를 블록도로 도시한 것이다. 전자식 브레이크 제어 장치(100)는 도 1의 전자식 브레이크 제어 시스템(1)에 포함되는 것일 수 있다. 따라서 도 1을 참조하여 전술한 내용이 도 2에도 적용될 수 있다.

도 2를 참조하면, 전자식 브레이크 제어 장치(100)는, 센서 유닛(110), 브레이크 유닛(120), 결함 검지부(130) 및 브레이크 제어부(140)의 구성을 포함할 수 있다. 결함 검지부(130) 및 브레이크 제어부(140)는 도 1의 제어부(11)에 포함될 수 있다.

센서 유닛(110)은 운행장치의 각종 상태를 센싱할 수 있는 서로 다른 복수의 이종 센서를 포함한다. 센서 유닛(110)은 전술한 페달 답력 센서(111), 페달 포지션 센서(112) 및 휠 속도 센서(113)를 기본적으로 포함하며, 그 외 다른 센서들, 예컨대 가속도 센서를 추가로 포함할 수 있다.

브레이크 유닛(120)은 도 1에 도시된 브레이크(13), 브레이크를 구동시키기 위한 전기 액추에이터, 전기 모터 등을 포함할 수 있다.

브레이크 제어부(140)는 센서 유닛(110)에 포함된 복수의 센서들의 센싱값에 기초하여 브레이크 유닛(120)을 제어할 수 있다. 예를 들어, 운전자가 페달에 힘을 가하면 페달 답력과 페달 포지션이 변경되고, 변경된 정도가 페달 답력 센서와 페달 포지션 센서의 센싱값으로 나타나게 된다. 브레이크 제어부(140)는 페달 답력 센서 및 페달 포지션 센서에서의 센싱값을 기초로 브레이크 유닛(120)을 제어하게 되는 바, 운전자가 페달에 가한 힘으로 인해 브레이크 유닛(120)이 제어될 수 있다.

한편, 전자식으로 동작하는 전자식 브레이크 제어 장치(100)의 경우, 외부 사이버공격, 외란, 결함, 고장, 전원공급문제 등의 요인으로 인해 일부 센싱값의 신뢰도가 보장되지 않을 수 있다. 따라서 본 발명의 일 실시예에 따른 전자식 브레이크 제어 장치(100)는 센서 유닛(110)에서 출력되는 센싱값들의 신뢰도를 검증하기 위한 결함 검지부(130)를 포함할 수 있고, 결함 검지부(130)를 이용하여 센서 유닛(110)에 결함이 발생하였는지 여부를 검지할 수 있다.

상세히 결함 검지부(130)는 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 센서 유닛의 센싱값들에 따른 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측할 수 있다.

페달 답력, 페달 포지션 및 휠 속도 값은 서로 유기적 관계를 갖기 때문에, 각 센싱값들의 조합으로부터 센서 결함을 유추하는 결함 분류 모델을 학습시킬 경우, 높은 정확도로 센서의 결함을 검지할 수 있다.

일 실시예에 따른 브레이크 제어부(140)는 기본적으로 센서 유닛(110)에 포함된 복수의 센서들의 센싱값에 기초하여 브레이크 유닛(120)을 제어하되, 결함 검지부(130)에 의해 검지된 결함 정보에 더 기초하여 브레이크 유닛(120)을 제어할 수 있다. 일 실시예에 따르면, 브레이크 제어부(140)는 결함 정보에 기초하여 센서 유닛(140)에 포함된 복수의 센서 중 결함이 없는 유효 센서를 선별할 수 있고, 선별된 유효 센서의 센싱값만을 고려하여 브레이크 유닛(120)을 제어할 수 있다.

이에 따르면 브레이크 제어부(140)는 일부 센서가 해킹되어 잘못된 센싱값을 출력하더라도, 해당 센서를 유효하지 않은 센서로 판별하여 브레이크 제어부(140)의 고려 대상에서 제외시킬 수 있게 된다. 또한 브레이크 제어부(140)는 일부 센서에 결함이 발생하여 실제 운행장치의 상태와 다른 값이 센싱되더라도, 결함이 발생하지 않은 센서의 유효한 센싱값, 즉 실제 운행장치의 상태에 부합하는 값을 센싱한 센싱값만을 기초로 브레이크 유닛(120)을 제어할 수 있게 되므로, 안전하게 운행장치를 제어할 수 있게 된다.

도 3은 도 2에 도시된 결함 검지부의 개략적인 구성을 도시한 블록도이다. 도 3을 참조하면, 일 실시예에 따른 결함 검지부(130)는 전처리부(131), LSTM(Long short-term memory) 메모리부(132), 배치 정규화부(133) 및 결함 분류부(134)를 포함할 수 있다.

도 3에 도시된 결함 검지부(130)는 본 실시예의 특징이 흐려지는 것을 방지하기 위하여 본 실시예와 관련된 구성요소들만을 도시한 것이다. 따라서, 도 3에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

도 4는 본 발명의 일 실시예에 따른 결함 검지 방법의 흐름도이다. 도 4에 도시된 방법은 도 3에 도시된 결함 검지부(130)에서 시계열적으로 처리되는 단계들을 포함한다.

도 5는 일 실시예에 따른 결함 분류 모델을 개략적으로 도시한 것이다.

일 실시예에 따른 결함 분류 모델은, 센싱값들을 입력 노드로 포함하고, 결함 분류 코드를 출력 코드로 포함하는 머신러닝 모델일 수 있다.

일 실시예에 따른 결함 분류 모델은 페달 답력, 페달 포지션 및 휠 속도 값을 시계열적으로 누적한 결과로부터 센서 결함을 유추함으로써, 결함 검지의 정확도를 향상시킬 수 있다. 예를 들어, 페달 답력이 점점 증가하는데 휠 속도 값이 점점 증가하는 경우 센서에 결함이 발생한 것으로 검지할 수 있는데, 이와 같은 케이스를 결함으로 검지하기 위해 본 발명의 일 실시예에 따른 결함 분류 모델은 시계열적으로 누적된 센싱값을 입력 노드로 포함할 수 있다. 또한 일 실시예에 따른 결함 분류 모델은 시계열적으로 누적된 데이터를 고려할 수 있는 LSTM 층(layer)을 포함할 수 있다.

도 5를 참조하면, 일 실시예에 따른 결함 분류 모델은, 복수의 이종 센서의 센싱값 벡터의 시계열적 누적 데이터를 입력받는 입력층(51), 입력 데이터를 시간의 흐름에 따라 선택적으로 반영하는 LSTM 층(52), LSTM 층(52)을 기설정된 배치(batch) 단위로 정규화한 배치정규화(batch normalization) 층(53), 배치정규화층(53)의 데이터로부터 기설정된 분류코드들 각각에 관한 예측값을 계산하는 소프트맥스 출력층(54) 및 소프트맥스 출력층(54)의 데이터로부터 최종적으로 결함이 발생한 센서의 정보를 나타내는 결함 정보를 출력하는 출력층(55)을 포함할 수 있다.

이하에서는 도 3 내지 도 5를 함께 참조하여, 결함 검지부(130)가 센서의 결함을 검지하는 방법에 관한 기술적인 내용을 설명하기로 한다.

먼저 입력층(51)을 살펴보면, 센서 유닛(110)에 포함되는 복수의 이종 센서들의 센싱값 벡터 x가 시계열적으로 누적되어 입력층(51)에 입력될 수 있다. 도 5의 입력층(51)에서

는 시간이 t일 때의 벡터 x를 의미한다.

일 실시예에 따르면, 단계 41에서 전처리부(131)는 입력층(51)에 입력되는 센싱값 벡터에 포함된 센싱값들을 전처리할 수 있다. 이와 같은 전처리에 의해 서로 다른 스케일을 갖는 이종 센서의 센싱값들이 동일한 스케일로 정규화될 수 있다. 예를 들어 전처리부(131)는 다음의 수학식 1에 예시된 최대-최소 정규화(Max-Min normalization) 알고리즘을 이용하여 복수의 이종 센서의 센싱값들을 정규화할 수 있다.

여기서,

는 시간 t에서 정규화된 센싱값,

는 시간 t에서 측정된 센서의 센싱 값, X는 각 센서에서 측정된 센서 값들의 집합,

,

은 정규화를 위한 최대, 최소 범위,

은 센서가 측정할 수 있는 최대, 최소 값(센서의 스펙에 명시된 값으로, 기설정된 고정 값)을 의미한다.

다음으로, 단계 42에서 LSTM 메모리부(132)는 단계 41에서 전처리된 데이터를 입력받아서 LSTM 층(52)을 학습시킨다. 예를 들어 LSTM 메모리부(132)는 순차적 시계열 데이터가 입력되는 입력층(51)의 전처리된 값으로부터 가중치를 학습하여 성능을 증가시키는 LSTM 모델을 기반으로, 입력층(51)에 입력된 센싱 정보와 센서의 결함 여부의 관계를 학습할 수 있다. LSTM 메모리부(132)는 입력층(51)의 입력 데이터를 시간의 흐름에 따라 선택적으로 반영할 수 있다. 이와 같이 LSTM 메모리부(132)는 시계열데이터로부터 유의미한 정보를 추출하는 바 끊임없이 변환하는 주행 환경에 대하여 적응력을 높이고 시간에 따라 발생하는 정보에 대하여 민감도를 계속 유지할 수 있다.

한편 LSTM은 RNN(recurrent neural net)의 한 종류로, 기존에 시계열적으로 입력되는 데이터를 모두 누적하여 저장하던 RNN에서, 시계열적 입력 데이터를 선택적으로 저장할 수 있는 기능이 추가된 모델이다. LSTM 메모리부(132)는, 시계열적 데이터와 각 데이터에 대한 가중치를 학습할 수 있다. LSTM 메모리부(132)는 시간의 흐름에 따라 생산된 센싱 데이터의 상호관련성/상호영향도의 변화에 따라 식별 성능이 떨어지지 않도록 정보를 선택적으로 반영 및 저장 하는 LSTM 메모리셀을 이용하여 LSTM 층(52)을 출력할 수 있다. LSTM 메모리부(132)는 LSTM 메모리셀의 함수로서 비선형함수인 ReLu(Rectified Linear Unit) 함수를 사용할 수 있다.

다음으로, 단계 43에서 배치 정규화부(133)는 LSTM층(52)의 메모리블록 값을 배치 단위로 정규화(batch normalization)하여 배치정규화층(53)을 출력한다. 상세히 배치 정규화부(133)는 기설정된 사이즈의 미니배치(m) 단위로 데이터를 처리하되, 각 미니배치의 평균과 표준편차를 구하여 각 미니배치의 분산을 정규화시키고, 스케일 인자(scale factor)와 시프트 인자(shift factor)를 이용하여 새로운 값을 산출함으로써, 배치정규화층(53)을 출력할 수 있다. 배치정규화층(53)은 아래의 수학식 2 내지 5를 이용할 수 있다.

여기서,

은 미니배치의 평균이고,

는 미니배치에 포함된 각 데이터 값이다.

여기서,

는 미니배치의 분산이다.

여기서

는 정규화한 결과값이고,

는 수치적 안정성(numerical stability)을 제공하기위한 상수 값이다.

수학식 5는 스케일과 시프트를 위한 것으로, 여기서,

는

를 스케일링 및 시프팅한 결과로서,

데이터에 대한 배치정규화 결과값인

이 된다.

는 스케일 인자이고,

는 시프트 인자이다.

일 실시예에 따른 결함 검지부(130)는 배치 정규화층(53)을 적용함으로써, 결함 분류 모델의 성능과 처리속도를 월등히 향상시킬 수 있다. 한편 배치 정규화부(133)는 학습데이터가 과대적합되는 것을 방지하기 위해 배치 정규화층(53)의 일부 노드의 값을 랜덤으로 누락시키는 드랍아웃(dropout)을 적용할 수 있다. 도 5를 참조하면 드랍아웃된 노드(531)의 예가 도시되었다.

다음으로, 단계 44에서 결함 분류부(134)는 단계 43에서 출력된 배치정규화층(53)의 데이터로부터 센서 유닛(110)의 복수의 이종 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측할 수 있다. 결함 정보는 기설정된 분류코드들 중 어느 하나의 분류코드를 가질 수 있다.

일 실시예에 따르면, 결함 정보는

개, 또는 그 미만의 기설정된 분류코드들 중 어느 하나의 분류코드를 가질 수 있다. 여기서 n은 결함 감지 대상 센서의 개수이다. 결함 감지 대상 센서는 센서 유닛(110)에 포함된 복수의 이종 센서의 적어도 일부일 수 있다. 기설정된 분류코드들 각각은 결함 감지 대상 센서 각각의 결함이 존재하는 경우와 존재하지 않는 경우에 대한 모든 경우의 수 각각에 대하여 사전에 매칭될 수 있다. 전자식 브레이크 제어 장치(100)는 상기 매칭된 테이블의 정보를 미리 저장하고 있을 수 있다.

예를 들어, 센서 유닛(110)의 결함 감지 대상 센서가 페달 답력 센서(111), 페달 포지션 센서(112), 및 휠 속도 센서(113)의 3개 센서인 경우, 기설정된 분류코드는 3개 센서 각각의 결함 여부에 따라 구분되는 총 7가지 코드를 포함할 수 있다. 센서의 종류가 3개이므로, 최대 8개 코드의 정의가 가능하지만, 모든 센서에 결함이 발생한 상태를 검지하는 것은 정확도가 낮기 때문에, 모든 센서에 결함이 발생한 상태에 대응되는 코드는 정의하지 않을 수 있다. 즉, 일 실시예에 따르면, 결함 정보는

-1개의 기설정된 분류코드들 중 어느 하나의 분류코드를 가질 수 있다. 여기서 n은 결함 감지 대상 센서의 개수이다. 총 7가지 코드의 예를 다음의 표 1에 나타내었다.

코드	상태
0	정상
1	페달 답력 센서 결함
2	페달 포지션 센서 결함
3	휠 속도 센서 결함
4	페달 답력 센서, 페달 포지션 센서 결함
5	페달 포지션 센서, 휠속도 센서 결함
6	페달 답력 센서, 휠속도 센서 결함

일 실시예에 따르면, 결함 분류부(134)는 소프트맥스 함수를 이용하여 결함 분류 코드를 예측할 수 있다. 상세히, 결함 분류부(134)는 기설정된 복수의 결함 분류 코드들 각각의 확률 정보를 나타내는 소프트맥스 층(54)을 산출하고, 소프트맥스 층(54)으로부터 최종 출력층(55)을 산출할 수 있다.

소프트맥스 층(54)은 기설정된 분류 코드의 개수만큼의 노드를 포함하며, 각 노드는 각 분류 코드에 해당할 확률의 값을 갖는다.

출력층(55)은 복수의 이종 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 출력할 수 있다. 예를 들어 출력층(55)은 소프트맥스 층(54)의 노드 중 확률값이 가장 높은 노드에 대응되는 최종 분류 코드를 출력하여, 브레이크 제어부(140)가 분류 코드별 결함 센서 정보가 매칭된 테이블을 이용하여 최종 분류 코드에 대응되는 결함 센서를 조회하도록 할 수 있다. 또는 출력층(55)은 소프트맥스 층(54)의 데이터로부터 결함이 발생한 센서의 종류 자체에 관한 정보를 추출하여 브레이크 제어부(140)에 출력할 수 있다.

전술한 결함 검지부(130)의 처리에 따르면, 복수의 이종 센서의 시계열적 센싱값들로부터 결함이 발생한 센서의 정보를 나타내는 결함 정보를 예측할 수 있다.

도 6은 도 2의 브레이크 제어부(140)의 구성을 개략적으로 도시한 블록도이다. 일 실시예에 따른 브레이크 제어부(140)는 센서 유닛(110)의 센싱값 및 결함 검지부(130)에 의해 예측된 결함 정보에 기초하여, 브레이크 유닛(120)을 제어할 수 있다. 일 실시예에 따르면, 브레이크 제어부(140)는 센서 유닛(110)의 센싱값, 결함 검지부(130)에 의해 예측된 결함 정보 및, 기설정된 분류 코드 별 센서 유닛의 결함 상태를 매칭하도록 기 저장된 테이블 정보에 기초하여 상기 브레이크 유닛을 제어할 수 있다.

도 6을 참조하면 일 실시예에 따른 브레이크 제어부(140)는 센싱값 수신부(141), 센서 선별부(142) 및 제어값 생성부(143)를 포함할 수 있다.

도 6에 도시된 브레이크 제어부(140)는 본 실시예의 특징이 흐려지는 것을 방지하기 위하여 본 실시예와 관련된 구성요소들만을 도시한 것이다. 따라서, 도 6에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

도 7은 본 발명의 일 실시예에 따른 전자식 브레이크 제어 방법의 흐름도이다.

도 7에 도시된 흐름도는 도 6에 도시된 브레이크 제어부(140)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서 이하에서는 도 6과 도 7을 함께 참조하여 브레이크 제어부(140)의 처리 단계들에 대하여 설명한다.

먼저 단계 71에서 센싱값 수신부(141)는, 센싱 유닛(110)으로부터 복수의 이종 센서의 센싱값들을 수신한다. 예를 들어, 센싱값 수신부(141)는 페달 답력 센서(111), 페달 포지션 센서(112) 및 휠 속도 센서(113)를 포함하는 복수의 이종 센서의 센싱값을 수신할 수 있다.

다음으로, 단계 72에서 센서 선별부(142)는, 결함 검지부(130)로부터 결함 정보를 수신하고, 결함 정보에 기초하여 복수의 이종 센서 중 유효 센서를 선별할 수 있다. 예를 들어, 결함 정보가 사전에 기설정된 복수의 분류 코드들 중 어느 하나의 분류 코드를 갖는 경우, 센서 선별부(142)는 센서 유닛(110)의 센싱값, 결함 검지부(130)에 의해 예측된 결함 정보 및, 기설정된 분류 코드 별 센서 유닛의 결함 상태를 매칭하도록 기 저장된 테이블 정보에 기초하여, 결함이 발생한 센서를 파악하고, 센서 유닛(110)의 센서들 중 결함이 발생하지 않은 유효 센서를 선별할 수 있다.

단계 73에서 제어값 생성부(143)는 단계 72에서 선별된 유효 센서의 센싱값에 기초하여 브레이크 유닛(120)을 제어할 수 있다. 예를 들어, 제어값 생성부(143)는 단계 71에서 수신한 센싱값들 중 단계 72에서 결함이 발생한 것으로 파악된 센서의 센싱값을 버리고, 단계 72에서 선별된 유효 센서의 센싱값들만을 참조하여, 브레이크 유닛(120)을 제어할 수 있다.

기존의 모델링 방법으로는 과반수 이상의 센서에 결함이 발생한 경우 결함 검지의 정확도가 현저히 감소되는 문제가 있는데에 반해, 전술한 실시예들에 따르면 시계열적 센서 데이터들의 조합에 따른 결함 검지 모델을 이용하여 결함을 검지하므로 과반수 이상의 센서에 결함이 발생한 경우에도 높은 정확도로 결함이 검지된다.

한편, 도 4 및 도 7에 도시된 본 발명의 일 실시예에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있으며, 균등한 다른 실시 예가 가능함을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

1: 전자식 브레이크 제어 시스템
11: 제어부
12: 페달 유닛
13: 브레이크
14: 휠속도 센서
100: 전자식 브레이크 제어 장치
110: 센서 유닛
120: 브레이크 유닛
130: 결함 검지부
140: 브레이크 제어부
131: 전처리부
132: LSTM 메모리부
133: 배치 정규화부
134: 결함 분류부
141: 센싱값 수신부
142: 센서 선별부
143: 제어값 생성부

Claims (8)

1. 전자식 브레이크 제어 장치가, 운행장치에 구비된 전자식 브레이크를 제어하는 방법에 있어서,
   결함 검지부가, 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 상기 센서 유닛의 센싱값들에 따른 상기 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서의 적어도 일부의 결함 검지 대상 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측하는 단계; 및
   브레이크 제어부가, 상기 센서 유닛의 센싱값 및 상기 결함 검지부에 의해 예측된 결함 정보에 기초하여 브레이크 유닛을 제어하는 단계;를 포함하는
   전자식 브레이크 제어 방법.
   
2. 제1 항에 있어서,
   상기 복수의 이종 센서는, 페달 답력 센서, 페달 포지션 센서 및 휠 속도 센서를 포함하는,
   전자식 브레이크 제어 방법.
   
3. 제1 항에 있어서,
   상기 제어하는 단계는,
   상기 센서 유닛으로부터 상기 복수의 이종 센서 각각에 대한 센싱값을 수신하는 단계;
   상기 결함 정보에 기초하여 상기 복수의 이종 센서 중 유효 센서를 선별하는 단계; 및
   상기 선별된 유효 센서의 센싱값에 기초하여 상기 브레이크 유닛을 제어하는 단계;를 포함하는
   전자식 브레이크 제어 방법.
   
4. 제1 항에 있어서,
   상기 결함 분류 모델은,
   상기 복수의 이종 센서의 센싱값 벡터의 시계열적 누적 데이터를 입력받는 입력층;
   입력 데이터를 시간의 흐름에 따라 선택적으로 반영하여 계산되는 LSTM 층;
   상기 LSTM 층을 배치 단위로 정규화한 배치정규화층;
   상기 배치정규화층의 데이터로부터 기설정된 분류코드들 각각에 관한 확률이 계산되는 소프트맥스 출력층; 및
   상기 소프트맥스 출력층의 데이터로부터 최종적으로 결함이 발생한 센서의 정보를 나타내는 결함 정보를 출력하는 출력층;을 포함하는
   전자식 브레이크 제어 방법.
   
5. 제1 항에 있어서,
   상기 결함 정보는 2ⁿ 개(n=상기 결함 검지 대상 센서의 개수) 이하의 기설정된 분류코드들 중 어느 하나의 분류코드를 나타내도록 설정되고, 상기 기설정된 분류코드들 각각은 상기 결함 검지 대상 센서 각각의 결함이 존재하는 경우와 존재하지 않는 경우에 대한 경우의 수 각각에 사전에 매칭되고, 상기 전자식 브레이크 제어 장치는 상기 매칭된 테이블 정보를 저장하고,
   상기 제어하는 단계는, 상기 센서 유닛의 센싱값, 상기 결함 검지부에 의해 예측된 결함 정보 및 상기 테이블 정보에 기초하여 상기 브레이크 유닛을 제어하는,
   전자식 브레이크 제어 방법.
   
6. 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 상기 센서 유닛의 센싱값들에 따른 상기 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서의 적어도 일부의 결함 검지 대상 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측하는 결함 검지부; 및
   상기 센서 유닛의 센싱값 및 상기 결함 검지부에 의해 예측된 결함 정보에 기초하여 브레이크 유닛을 제어하는 브레이크 제어부;를 포함하는
   전자식 브레이크 제어 장치.
   
7. 운행장치에 구비된 복수의 이종 센서를 포함하는 센서 유닛;
   상기 운행장치를 제동시키는 브레이크 유닛; 및
   상기 센서 유닛의 센싱값에 기초하여 상기 브레이크 유닛을 제어하는 제어부;를 포함하고,
   상기 제어부는,
   상기 센서 유닛으로부터 센싱값을 수신하고, 딥러닝 기반으로 상기 센서 유닛의 센싱값들에 따른 상기 센서 유닛의 결함 정보를 학습시킨 결함 분류 모델을 이용하여, 상기 수신된 센싱값들의 조합으로부터 상기 복수의 이종 센서의 적어도 일부의 결함 검지 대상 센서 중 어느 센서에 결함이 발생했는가를 나타내는 결함 정보를 예측하는 결함 검지부; 및
   상기 센서 유닛의 센싱값 및 상기 결함 검지부에 의해 예측된 결함 정보에 기초하여 상기 브레이크 유닛을 제어하는 브레이크 제어부;를 포함하는,
   전자식 브레이크 제어 시스템.
   
8. 컴퓨터를 이용하여 제1 항 내지 제5 항 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램.

Images