KR102031921B1 - 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 - Google Patents

Abstract

본 발명은 최상의 승차감을 제공할 수 있도록 구현한 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체에 관한 것으로, 사용자로부터 목적지를 입력받는 단계; 도로 정보 및 차량 주행 정보를 이용하여 승차감 지수를 계산하는 단계; 측정된 승차감 지수의 확률 분포에서 사용자로부터 설정받은 선호도에 따라 승차감 지수를 통계적으로 만족시키는 차량 계수를 추출하는 단계; 및 추출된 차량 계수에 따라 목적지까지 차량의 운행을 제어하는 단계를 포함한다.

Description

파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체{DEVICE AND METHOD FOR OPTIMIZING RIDE COMFORT OF VEHICLE-HUMAN MODEL USING PARAMETER UNCERTAINTY, RECORDING MEDIUM FOR PERFORMING THE METHOD}

본 발명은 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체에 관한 것으로, 더욱 상세하게는 최상의 승차감을 제공할 수 있도록 구현한 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체에 관한 것이다.

강건설계(robust design)는, 연구 및 개발 단계에서 제품과 제작 공정의 변동을 최소화하여 품질과 신뢰성을 향상시키는 공업적 방법론으로, 겐이치 다구치(Gennichi Taguchi)에 의해 개발 및 추진된 생산기술의 최적화 방법이다.

즉, 제품의 연구 및 개발 시 변동의 원인을 제거하지 아니하고 그로부터 받는 영향을 최소화함으로써 품질을 향상시켜 제품과 제작 공정을 최적화하는 방법이다.

이러한 강건설계는, 품질관리, 실험계획, 응용화공, 기계공학, 생산라인설계, 제품개발 등의 공업 전반에 걸쳐 적용이 가능한데, 특히, 상술한 다양한 분야 중 차량의 승차감에 대한 강건설계가 중요하게 다루어지고 있다.

차량의 주행 중 발생되는 바운싱(bouncing), 롤링(rolling) 및 피칭(pitching) 등의 진동은, 차량의 제반 특성들에 영향을 미칠 뿐만 아니라, 승차감을 저하시키는 원인이 되며, 이러한 승차감의 저하는 운전자에게 피로감과 불쾌감을 불러일으킨다.

따라서, 차량의 주행 중 발생하는 진동 특성을 연구하여 그를 제어함으로써 승차감을 향상시키는 연구가 활발히 진행되고 있으며, 자동차의 고급화와 함께 그 중요성도 더욱 증대되고 있다.

즉, 종래에는 차량의 진동 특성을 연구함에 있어 승차감을 개선하는 방향으로만 설계가 진행되었으나, 최근에는 제품의 고품질, 저비용, 설계기간의 단축 등과 같은 다양한 방향을 고려하여 제품의 설계가 진행되고 있다.

그러나, 기존의 승차감 개선 방법은, 실제 도로 상에서 발생할 수 있는 수 많은 환경조건(노면/기후) 및 고객의 다양한 운전패턴을 고려하지 못하기 때문에 정확한 차량의 승차감 분석에 어려움이 있었다.

뿐만 아니라, 승차감을 판독하기 위한 승차감 지수의 분석을 위해 과도한 연산량을 필요로 하여, 분석에 오랜 시간이 걸릴 뿐만 아니라, 산출되어진 데이터 자체의 신뢰성도 떨어진다는 단점을 가지고 있었다.

한국등록특허 제10-1138758호 한국등록특허 제10-0394142호

본 발명의 일측면은 인체 모델 및 차량 부품의 특성치를 나타내는 파라미터에 산포를 주고, 응답 값의 산포를 고려하여 최상의 승차감을 제공할 수 있도록 구현한 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체를 제공한다.

또한, 차량과 인체 파라미터의 불확실성을 고려하여 승차감 지수의 분포를 계산한 후, 최적의 파라미터 값을 제시함으로써 강건한(Robust) 설계를 할 수 있는 차량-인체 모델의 승차감 최적화 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체를 제공한다.

본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법은, 사용자로부터 목적지를 입력받는 단계; 입력받은 목적지까지의 도로 정보 및 차량의 위치 및 진행 방향을 실시간으로 탐지하여 생성된 차량 주행 정보를 이용하여 차량의 진동에 의해 인체 모델이 진동하는 정도인 승차감 지수를 계산하는 단계; 계산된 승차감 지수의 확률 분포를 측정하며, 측정된 승차감 지수의 확률 분포에서 사용자로부터 설정받은 선호도에 따라 승차감 지수를 통계적으로 만족시키는 차량 계수를 추출하는 단계; 및 추출된 차량 계수에 따라 목적지까지 차량의 운행을 제어하는 단계를 포함한다.

일 실시예에서, 상기 승차감 지수를 계산하는 단계는, 도로 정보 및 차량 주행 정보에 포함된 불확실성 파라미터(Uncertain Parameter)를 입력받는 단계; 입력받은 불확실성 파라미터를 이용하여 인체 모델의 가속도를 계측하는 단계; 및 계측된 가속도를 신호 처리하여 승차감 지수를 계산하는 단계를 포함할 수 있다.

일 실시예에서, 상기 인체 모델의 가속도를 계측하는 단계는, 인체 모델의 운동 방정식을 이용하여 사용자 신체의 가속도를 계측할 수 있다.

일 실시예에서, 상기 불확실성 파라미터는, 차량의 주행 상황 또는 도로 상황에 따라 변할 수 있다.

일 실시예에서, 상기 불확실성 파라미터는, 차량 부품 물성치 또는 인체 모델 물성치를 파라미터값으로 입력받을 수 있다.

일 실시예에서, 상기 신호 처리하여 승차감 지수를 계산하는 단계는, 주파수 가중 함수를 이용하여 신호 처리를 수행할 수 있다.

일 실시예에서, 상기 차량 계수를 추출하는 단계는, gPC(generalized Polynomial Chaos)를 이용하여 승차감 지수의 확률 분포를 측정하는 단계; 불확실성 파라미터값이 변화됨에 따라 측정된 확률 분포 상에서 달라지는 선호 기준값 별로 사용자 선호도를 만족시키는 신뢰구간의 분포를 판독하는 단계; 및 기 설정된 사용자 선호도의 신뢰구간을 분포시키는 불확실성 파라미터값을 차량 제어를 위한 차량 계수로 추출하는 단계를 포함할 수 있다.

일 실시예에서, 상기 gPC를 이용하여 승차감 지수의 확률 분포를 측정하는 단계는, Collocation Point의 수만큼 운동 방정식을 풀이하여 승차감 지수의 확률 분포를 계산할 수 있다.

일 실시예에서, 상기 신뢰구간의 분포를 판독하는 단계는, 사용자가 선호하는 승차감 지수의 기준이 되는 선호 기준값을 상용자 별로 달리 설정할 수 있다.

일 실시예에서, 상기 신뢰구간의 분포를 판독하는 단계는, 선호 기준값 이상에 분포하고 있는 구간은 신뢰구간을 만족시키지 못한 것으로 판독하고, 선호 기준값 미만에 분포하고 있는 구간은 신뢰구간을 만족시키는 것으로 판독할 수 있다.

일 실시예에서, 상기 신뢰구간의 분포를 판독하는 단계는, 도로의 노면 상황에 따라 불확실성 파라미터값을 달리 설정할 수 있다.

일 실시예에서, 상기 차량 계수로 추출하는 단계는, 목적지까지의 도로 구간 별로 기 설정된 값 이상의 신뢰구간을 만족시키는 불확실성 파라미터값들을 해당 구간 별로 추출할 수 있다.

본 발명의 다른 실시예에 따른 컴퓨터로 판독 가능한 기록 매체에는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.

본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치는, 사용자로부터 목적지를 입력받는 목적지 입력부; 상기 목적지 입력부로 입력되는 목적지까지의 도로 정보 및 차량의 위치 및 진행 방향을 실시간으로 탐지하여 생성된 차량 주행 정보를 이용하여 차량의 진동에 의해 인체 모델이 진동하는 정도인 승차감 지수를 계산하는 승차감지수 계산부; 상기 승차감지수 계산부에서 계산된 승차감 지수의 확률 분포를 측정하며, 측정된 승차감 지수의 확률 분포에서 사용자로부터 설정받은 선호도에 따라 승차감 지수를 통계적으로 만족시키는 차량 계수를 추출하는 차량계수 추출부; 및 상기 차량계수 추출부에서 추출된 차량 계수에 따라 목적지까지 차량의 운행을 제어하는 운행 제어부를 포함한다.

일 실시예에서, 상기 차량계수 추출부는, gPC(generalized Polynomial Chaos)를 이용하여 승차감 지수의 확률 분포를 측정하는 지수분포 계산부; 불확실성 파라미터값이 변화됨에 따라 상기 지수분포 계산부에서 측정된 확률 분포 상에서 달라지는 선호 기준값 별로 사용자 선호도를 만족시키는 신뢰구간의 분포를 판독하는 신뢰구간 판독부; 및 상기 신뢰구간 판독부에서 판독된 신뢰구간의 분포에서 기 설정된 사용자 선호도의 신뢰구간을 분포시키는 불확실성 파라미터값을 차량 제어를 위한 차량 계수로 추출하는 계수 추출부를 포함할 수 있다.

상술한 본 발명의 일측면에 따르면, 목적지까지의 각 지정 경로 별 최적의 승차감을 계산할 때 수치해석 모델의 파라미터의 불확실성을 고려함으로써 보다 강건한 최적 설계를 제공할 수 있다.

또한, 시스템 응답의 불안전성을 고려하고, 최적화 알고리즘을 이용한 인체 모델의 물성치를 추정함으로써 신뢰성 있는 데이터를 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치의 개략적인 구성이 도시된 도면이다.
도 2는 도 1의 차량계수 추출부를 설명하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법을 설명하는 순서도이다.
도 4는 승차감 지수에 따른 편안함 정도를 설명하는 도면이다.
도 5는 도 3의 승차감 지수를 계산하는 단계를 설명하는 순서도이다.
도 6은 도 3의 차량 계수를 추출하는 단계를 설명하는 순서도이다.
도 7 내지 도 9는 gPC에 의한 승차감 지수의 확률 분포 계산을 설명하는 도면들이다.
도 10 및 도 11은 승차감 지수의 확률 분포를 설명하는 그래프들이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치의 개략적인 구성이 도시된 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치(10)는, 목적지 입력부(100), 승차감지수 계산부(200), 차량계수 추출부(300) 및 운행 제어부(400)를 포함한다.

목적지 입력부(100)는, 사용자로부터 목적지를 입력받으며, 입력받은 목적지를 통해 출발점으로부터 해당 목적지까지의 구간 별 경로를 생성한다.

승차감지수 계산부(200), 목적지 입력부(100)로 입력되는 목적지까지의 도로 정보 및 차량의 위치 및 진행 방향을 실시간으로 탐지하여 생성된 차량 주행 정보를 이용하여 차량의 진동에 의해 인체 모델이 진동하는 정도인 승차감 지수를 계산한다.

여기서, 인체 모델이라 함은, 사용자의 신체 정보에 따른 수치해석적 인체 모델(Multibody Dynamics Model, Finete Element Model)로서, 머리(Head), 상체(Upper Body), 중체(Middle Body) 및 하체(Lower Body)를 나타내는 4개의 강체로 구성되며, 비틀림 스프링과 댐퍼로 연결된다(도 8을 참조).

인체 모델은, 병진 스프링(Translatory　Spring)과 댐퍼로 연결되며, 피부와 시트 쿠션은 하나의 등가된 스프링과 댐퍼로 표현되고, 바닥면(Floor)의 수직 방향 변위와 속도를 가진다.

이때, 상기 수직 방향 변위와 속도를 이용하여 Lagrange's Equation을 이용하여 운동 방정식을 유도할 수 있다.

본 발명에 있어서, 인체 모델의 물성치는 질량, 관성모멘트, 각 분절의 길이는 한국인 18 내지 59세 평균 남성의 물성치를 사용하였고, 강성 및 감쇠 계수는 6 자유도 인체 모델의 수직방향의 STH(Seat to Head) 전달률 사이의 차이를 목적함수로 하여 최적화할 수 있다.

여기서, 강성 계수()은 다음의 수학식 1을 이용하여 1차 및 2차 고유진동수의 차이를 최소화하여 추정하고, 감쇠 계수()는 다음의 수학식 2를 이용하여 전달률의 진폭의 차이를 최소화하여 추정한다.

여기서, w1 = 1이고, w2 = 1이다.

여기서, f0 = 0 Hz이고, f1 = 20 Hz이다.

본 발명에 의할 경우, 2 번째 공진 주파수(Resonance Frequency)에서 조금의 차이가 발생하지만, 실제 인체의 시트에서 머리까지의 수직전달률의 주요 공진이 4 내지 5Hz 또는 7 내지 10Hz 사이에서 일어나므로 인체의 진동 특성을 반영하고 있다고 가정할 수 있다

그리고, 승차감 지수(Ride　Quality　Index)란, 차량 진동에 따른 인체 진동과 관련된 지수로서, 높은 값일수록 인체가 많이 진동하는 것으로 승차감이 좋지 않음을 의미하며, 인체의 가속도를 계측한 후 주파수 가중 함수와 같은 신호 처리를 통해 계산될 수 있으며, 사용자마다 허용 가능한 수준 혹은 선호하는 승차감 지수가 다르며, 이를 미리 설정한 후 차량 제어에 활용할 수 있다.

일 실시예에서, 승차감지수 계산부(200)는, 도로 정보를 탐지함에 있어, 차량 자체에 장착 설치된 각종 센서(예를 들어, 진동 센서, GPS 센서 또는 혼잡도 센서 등)를 통해 자체적으로 필요로 하는 도로 정보(예를 들어, 신설 도로 유무, 도로 경사도, 비포장도로 유무, 노면의 거칠기 또는 과속방지턱 유무 등)를 탐지하여 저장할 수 있을 뿐만 아니라, 유선/무선 네트워크를 통해 외부의 길 안내 서버로부터 필요로 하는 정보를 수신받아 저장할 수 있다.

차량계수 추출부(300)는, 승차감지수 계산부(200)에서 계산된 승차감 지수의 확률 분포를 측정하며, 측정된 승차감 지수의 확률 분포에서 사용자로부터 설정받은 선호도에 따라 승차감 지수를 통계적으로 만족시키는 차량 계수를 추출한다.

일 실시예에서, 차량계수 추출부(300)는, 목적지까지의 구간 별로 해당 구간에서의 최상의 승차감을 제공할 수 있는 차량 계수(예를 들어, 서스펜션의 강성값)를 추출할 수 있다.

운행 제어부(400)는, 차량계수 추출부(300)에서 추출된 차량 계수에 따라 목적지까지 차량의 운행을 제어한다.

일 실시예에서, 운행 제어부(400)는, 차량계수 추출부(300)에서 목적지까지의 구간 별로 추출된 불확실성 파라미터값들에 따라, 차량의 운행을 구간 별로 제어함으로써, 사용자에게 최상의 승차감을 제공할 수 있다.

자율주행 차량 및 커넥티트 카에 대한 관심이 증가함에 따라 현재의 차량은 단순히 이동수단이 아니라 보고서 작성, 독서 및 취침 등과 같은 부가적인 활동을 할 수 있는 공간으로 인식되어짐에 따라, 이러한 활동에 있어서 중요한 차량의 성능인 승차감에 대한 관심이 증가하고 있는 추세이다.

차량의 승차감은, 실험 또는 수치해석적으로 분석되어지는데, 실제 차량을 이용한 실험은 많은 시간과 비용이 소모되고 다양한 표본의 실험자들에게 수행하기 어렵다는 단점이 있다.

이에 따라, 본 발명에서는, 이러한 단점을 극복하기 위해서 가상 공간에서 시뮬레이션 할 수 있는 수치해석 모델을 개발하고자 하는데, 차량-인체 시뮬레이션 모델의 파라미터 값은 하나의 특정 값이 아니라 차량의 주행 또는 도로 상황에 따라 상이한 값으로서 확률 분포로 표현될 수 있으며, 인체 및 차량 응답 결과 또한 확률분포의 형태로 나타낼 수 있다.

이에 따라, 상술한 바와 같은 구성을 가지는 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치(10)는, 목적지까지의 각 지정 경로 별 최적의 승차감을 계산할 때 수치해석 모델의 파라미터의 불확실성을 고려하여 보다 강건한 최적 설계를 제공할 수 있으며, 시스템 응답의 불안전성을 고려한 최적화 알고리즘을 이용하여 인체 모델의 물성치를 추정함으로써 신뢰성 있는 데이터를 제공할 수 있다.

상술한 바와 같은 구성을 가지는 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치(10)는, 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.

도 2는 도 1의 차량계수 추출부를 설명하는 도면이다.

도 2를 참조하면, 차량계수 추출부(300)는, 지수분포 계산부(310), 신뢰구간 판독부(320) 및 계수 추출부(330)를 포함한다.

지수분포 계산부(310)는, gPC(generalized Polynomial Chaos)를 이용하여 승차감 지수의 확률 분포를 측정한다.

일 실시예에서, 지수분포 계산부(310)는, gPC의 계수 찾는 방법 중 하나인 Probabilistic Collocation Method를 활용하여 Collocation Point의 수만큼 운동 방정식을 풀이하여 승차감 지수의 확률 분포를 계산하므로, 기존의 몬테카를로 시뮬레이션(Monte-Carlo Simulation) 방법보다 적은 연산양으로 승차감 지수의 확률 분포를 측정할 수 있다.

이 외에도 계수를 찾는 다양한 수치적 방법들이 있을 수 있다.

신뢰구간 판독부(320)는, 불확실성 파라미터값이 변화됨에 따라 지수분포 계산부(310)에서 측정된 확률 분포 상에서 달라지는 선호 기준값 별로 사용자 선호도를 만족시키는 신뢰구간의 분포를 판독한다.

일 실시예에서, 신뢰구간 판독부(320)는, 사용자 별로 해당 사용자가 선호하는 선호 기준값을 획득하기 위해, 특정 불확실성 파라미터값(예를 들어, 서스펜션의 강성값 등)이 선호 기준값을 만족시키지 못하면 선호 기준값을 만족시킬 때까지 다른 불확실성 파라미터값(예를 들어, 다른 서스펜션의 강성값)을 대입시켜 최적의 선호 기준값을 획득할 수 있다.

이때, 신뢰구간 판독부(320)는, 사용자가 선호하는 승차감 지수의 기준이 되는 선호 기준값을 상용자 별로 달리 설정할 수 있으며, 선호 기준값 이상에 분포하고 있는 구간은 신뢰구간을 만족시키지 못한 것으로 판독하고, 선호 기준값 미만에 분포하고 있는 구간은 신뢰구간을 만족시키는 것으로 판독할 수 있다.

계수 추출부(330)는, 신뢰구간 판독부(320)에서 판독된 신뢰구간의 분포에서 기 설정된 사용자 선호도의 신뢰구간(예를 들어, 승차감 지수의 95% 신뢰구간을 만족시키는 등)을 분포시키는 불확실성 파라미터값을 차량 제어를 위한 차량 계수로 추출한다.

일 실시예에서, 계수 추출부(330)는, 목적지까지의 도로 구간 별로 기 설정된 값 이상의 신뢰구간(예를 들어, 승차감 지수의 95% 신뢰구간을 만족시키는 등)을 만족시키는 불확실성 파라미터값들을 해당 구간 별로 추출할 수 있다.

상술한 바와 같은 구성을 가지는 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치(10)의 각 구성에 의한 구체적인 승차감 최적화 방법은 도 3 이하의 방법 설명에서 후술한다.

도 3은 본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법을 설명하는 순서도이다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법은, 우선 사용자로부터 목적지를 입력받는다(S110).

상술한 단계 S110에서 입력받은 목적지까지의 도로 정보(예를 들어, 노면의 거칠기 또는 습도 등) 및 차량의 위치 및 진행 방향을 실시간으로 탐지하여 생성된 차량 주행 정보를 이용하여 차량의 진동에 의해 인체 모델이 진동하는 정도인 승차감 지수를 계산한다(S120).

여기서, 승차감 지수(Ride　Quality　Index)란, 승차감을 판단할 수 있는 지수로 주로　진동가속도를 측정하여 승객의 안락감의 정도에 따라 수치로 나타낸 것으로, 차량 진동에 따른 인체 진동과 관련된 지수로서, 높은 값일수록 인체가 많이 진동하는 것으로 승차감이 좋지 않음을 의미하며, 인체의 가속도를 계측한 후 주파수 가중 함수와 같은 신호 처리를 통해 계산될 수 있다.

그리고, 사용자마다 허용 가능한 수준 혹은 선호하는 승차감 지수가 다른데, 본 발명에서는 후술하는 바와 같이 이를 미리 설정한 후 차량 제어에 활용하고자 한다.

도 4는 승차감 지수에 따른 실제 편안함 정도(BS 6841)를 설명하는 도면으로, 1) 승차감 지수가 3.15에서 2.0이면 극심할 정도로 불편한 정도(Extremely Uncomfortable)이고, 2) 2.5에서 1.25이면 매우 불편한 정도(Very Uncomfortable)이고, 3) 1.6에서 0.8이면 불편한 정도(Uncomfortable)이고, 4) 1.0에서 0.5이면 적당히 불편한 정도(Fairly Uncomfortable)이며, 5) 0.63에서 0.315이면 약간 불편한 정도(A Little Uncomfortable)이며, 6) 0.315 미만이면 불편하지 않은 정도(Not Uncomfortable)를 의미한다.

여기서, 각각의 값들은, 실효치 가중 가속도(R.M.S(Root Mean Square) Weighted Acceleration())이다.

상술한 단계 S110에서 계산된 승차감 지수의 확률 분포를 측정하며, 측정된 승차감 지수의 확률 분포에서 사용자로부터 설정받은 선호도에 따라 승차감 지수를 통계적으로 만족시키는 차량 계수를 추출한다(S130).

여기서, 승차감 지수의 확률 분포는, 차량의 주행 또는 도로 상황에 따라 상이한 값을 나타내며, 정규 분포(normal　distribution)로 표현될 수 있다.

상술한 단계 S110에서 추출된 차량 계수에 따라 목적지까지 차량의 운행을 제어한다(S140).

상술한 바와 같은 단계를 가지는 본 발명의 일 실시예에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법은, 목적지가 설정되어 차량의 주행 경로가 제시되면, 인체 모델과 차량 모델을 결합하여 탑승자 혹은 운전자의 승차감 지수 분포를 계산하여 사용자로부터 설정받은 신뢰구간(예를 들어, 지수 분포 상의 95% 내지 99% 등)을 만족하는 승차감 지수를 위해 최적의 불확실성 파라미터값을 제시할 수 있다.

또한, 본 발명에서는, 주행 경로의 구간마다 최적의 불확실성 파라미터값이 상이할 것이므로, 구간 별로 신뢰구간의 변화에 따른 불확실성 파라미터값의 실시간 제어를 통해 최적의 승차감을 제공할 수 있다.

뿐만 아니라, 신뢰구간에 따른 승차감 지수 분포 계산을 위해서 분포 계산에 일반적으로 사용되는 몬테카를로 시뮬레이션 방법 대신 후술하는 gPC 방법을 적용하여 계산에 필요로 하는 시간을 획기적으로 감소시킬 수 있다.

도 5는 도 3의 승차감 지수를 계산하는 단계를 설명하는 순서도이다.

도5를 참조하면, 승차감 지수를 계산하는 단계(S120)는, 우선 도로 정보 및 차량 주행 정보에 포함된 불확실성 파라미터(Uncertain Parameter)를 입력받는다(S121).

여기서, 불확실성 파라미터는, 타이어 및 서스펜션, 인체 계수의 불확실성이 고려된 파라미터를 지칭하는 것으로, 차량의 주행 상황 또는 도로 상황에 따라 변할 수 있다.

그리고, 불확실성 파라미터는, 차량 부품 물성치(예를 들어, 차량 서스펜션의 계수 분포 또는 차량 타이어의 강성 분포 등) 또는 인체 모델 물성치(예를 들어, 인체의 허벅지 또는 피부 등)를 파라미터값으로 입력받을 수 있으며, 차량의 승차감에 영향을 미칠 수 있는 요소이면 그 명칭에 한정되지 아니하고 적용이 가능하다.

상술한 단계 S121에서 입력받은 불확실성 파라미터를 이용하여 인체 모델의 가속도를 계측한다(S122).

일 실시예에서, 인체 모델의 가속도를 계측하는 단계(S122)는, 인체 모델의 운동 방정식을 이용하여 사용자 신체의 가속도를 계측할 수 있다.

일 실시예에서, 인체 모델의 가속도를 계측하는 단계(S122)는, 세 단계의 최적화 과정을 이용한 운동 방정식의 물성치 추정 방법을 통해 인체 모델을 생성할 수 있다.

상술한 인체 모델의 가속도를 계측하는 단계(S122)에 의해 생성된 인체 모델은, 상술한 바와 같은 세 단계의 물성치 추정 방법을 통해 생성함으로써, 실제 실험을 통해서 승차감을 분석하는 데 걸리는 비용과 시간을 줄이는 데 도움을 줄 수 있다.

상술한 단계 S121에서 계측된 가속도를 신호 처리하여 승차감 지수를 계산한다(S123).

일 실시예에서, 신호 처리하여 승차감 지수를 계산하는 단계(S123)는, 국제 표준 규격 BS 6841의 축 가중 계수와 주파수 가중 함수를 이용하여 신호 처리를 수행할 수 있다.

여기서 축 가중 계수는, 접촉하는 인체 부위 위치와 방향에 따른 인지도를 정량화하는 값이며, 주파수 가중 함수는 가진 주파수 특성에 따라 변화하는 인체의 인식 정도를 나타낸 것이다.

도 6은 도 3의 차량 계수를 추출하는 단계를 설명하는 순서도이다.

도 6을 참조하면, 차량 계수를 추출하는 단계(S130)는, 우선 gPC(generalized Polynomial Chaos)를 이용하여 승차감 지수의 확률 분포를 측정한다(S131).

여기서, 확률 분포는, 도 10 또는 도 11에 도시된 바와 같이 정규 분포로 표현될 수 있다.

일 실시예에서, gPC를 이용하여 승차감 지수의 확률 분포를 측정하는 단계(S131)는, Collocation Point의 수만큼 운동 방정식을 풀이하여 승차감 지수의 확률 분포를 계산할 수 있다.

여기서, generalized Polynomial Chaos(generalized Polynomial Chaos)란, 파라미터의 불확실성을 고려한 시스템의 응답을 서로 독립적인 임의의 변수(Random Variable)의 직교 다항식(Orthogonal Polynomial)의 합으로 예측하는 방법을 말한다.

본 발명에서는, 에르미트 다항식(Hermite Polynomial)을 이용하여 불확실성을 내재한 파라미터의 분포를 정규 분포로 표현한다.

gPC의 일반적인 형식은 다음의 수학식 3과 같이 표현될 수 있다.

여기서, 은 n(i=1,…,n)차에서의 다항식 카오스 기저 함수(polynomial chaos basis function)이고, 는 다항식 카오스 계수(polynomial chaos coefficients) (i=1,…,n)이고, ()는 다차원 확률 변수(multi-dimensional random variable)이다.

이하, gPC를 이용하여 확률론적 운동방정식(Stochastic Equation of Motion(EOM))을 생성하는 것을 설명하기로 한다.

일반적인 운동 방정식(Equation of Motion)은 다음의 수학식 4와 같이 표현된다.

여기서, m은 질량 파라미터, c는 감쇠 파라미터, k는 강성 파라미터이고, 는 외력의 진폭이고 는 가진 주파수이다.

다음으로, 정규 분포(Normal Distribution)임을 가정할 때 불확실한 파라미터인 k는 다음의 수학식 5와 같이 표현될 수 있다.

여기서, 는 불확실한 강성(uncertain stiffness), 는 평균(mean), 는 표준 편차(standard deviation), 는 표준 정규 변수(standard normal variable with N(0,1))이다.

그리고, 불확실한 출력(Uncertain Output)은 다음의 수학식 6과 같이 표현될 수 있다.

여기서, 이고, p는 다항식 카오스의 순서(The order of polynomial chaos)이고, q는 확률 변수의 숫자(The number of random variables)이다.

상술한 수학식 3 내지 수학식 6을 이용하여 확률론적 운동방정식(Stochastic Equation of Motion(EOM))을 생성하면 다음의 수학식 7과 같이 표현될 수 있다.

확률론적 운동방정식을 계산하기 위해 수학식 7을 다음의 수학식 8과 같이 표현하기로 한다.

Probabilistic Collocation Method를 통해 엄선된 와 주어진 초기 조건에 따라 다음의 수학식 9와 같이 운동방정식을 풀이하며 를 얻을 수 있다.

여기서, 는 직교 다항식(Orthogonal Polynomial)이고, 는 알려지지 않은 계수들(Unknown Coefficients)이고, 는 출력 벡터(Output Vector)이다.

즉, 수학식 9를 이용하여 알려지지 않은 계수들(Unknown Coefficients)(즉,)을 구하면, 통계적 특성을 계산함으로써 수학식 10과 같은 불확실성에 따른 에 대한 다항식을 얻을 수 있다.

이때, Collocation Points(의 개수)는 다항식 카오스(Polynomial Chaos)의 순서(Order)보다 1 단계 높은 순서(Order)에 해당되는 기저 다항식(Basis Polynomial)의 루트(Roots)이다.

그리고, Collocation Point(H) 산출을 위한 다음의 수학식 11을 이용할 경우 다항식 순서(Polynomial Order)가 2일 때, Collocation Points는 가 된다.

여기서,은, 여러 개의 독립 변수로 구성된 함수에서 특정 변수에 대한 미분을 의미하는 것으로, 즉, 특정 변수에 대한 편미분을 나타내는 것이다.

이에 따라, gPC를 이용하면 적은 수의 미분 방정식 풀이만으로 시스템의 통계적 특성 예측 가능하다는 것을 확인할 수 있다.

시스템 응답 값의 산포(Spread,　Dispersion, 자료 값의 흩어짐 또는 퍼짐의 정도를 나타내는 수치)를 구하는 방법은, 전통적으로 설계 변수의 분포를 나타내는 무수히 많은 난수를 생성시키고, 생성된 난수 값에 따라 시뮬레이션을 하는 몬테카를로 시뮬레이션(Monte-Carlo Simulation, MCS, 시뮬레이션의 한 방법으로 OR에 있어서의 대기의 문제 등을 대상으로 모델을 설정하여 난수를 사용해서 문제를 푸는 방법) 방법이 주고 사용되고 있다.

그러나, 몬테카를로 시뮬레이션 방법은, 한 결과를 얻기 위해서 많은 시뮬레이션 횟수가 필요하고, 그에 따른 해석 시간이 많이 소모되므로 실제로 실시간으로 사용하기에는 많은 무리가 따른다는 단점을 가지고 있다.

이에 따라, 본 발명에서는, 상술한 바와 같은 gPC(generalized Polynomial Chaos) Expansion을 활용하여 몬테카를로 시뮬레이션 방법보다 더욱 효율적으로 응답 값의 분포를 측정하고자 한다.

몬테카를로 시뮬레이션 방법은 횟수만큼 미분 방정식의 수치 적분을 필요로 하나, gPC는 Collocation Point 수만큼만 운동 방정식을 풀이하면 되는 바, 몬테카를로 시뮬레이션 방법보다 적은 횟수의 운동 방정식 풀이만으로도 원하고자 하는 승차감 지수를 확률 분포도를 획득할 수 있다.

도 7 내지 도 9는 gPC에 의한 승차감 지수의 확률 분포 계산을 설명하는 도면들이다.

도 7을 참조하면 불확실성 파라미터의 입력에 따른 확률밀도(Probability Density) 중 특정 Collocation Point를 추출하며, 추출된 Collocation Point들을 도 8에 도시된 바와 같은 인체 모델의 운동방정식에 대입시켜 풀이하게 된다.

도 9를 참조하면, 상술한 인체 모델의 운동방정식을 풀이하면, 1) 기존 몬테카를로 시뮬레이션 방법에 의할 경우에는 연산에 31,008초가 소요되는 반면, 2) gPC에 의할 경우에는 연산에 단 91초만이 소요되어 몬테카를로 시뮬레이션 방법보다 효율성이 약 341배 향상된 것을 확인할 수 있다.

불확실성 파라미터값이 변화됨에 따라 상술한 단계 S131에서 측정된 확률 분포 상에서 달라지는 선호 기준값 별로 사용자 선호도를 만족시키는 신뢰구간의 분포를 판독한다(S132).

일 실시예에서, 신뢰구간의 분포를 판독하는 단계(S132)는, 사용자가 선호하는 승차감 지수의 기준이 되는 선호 기준값을 상용자 별로 달리 설정할 수 있으며, 선호 기준값 이상에 분포하고 있는 구간은 신뢰구간을 만족시키지 못한 것으로 판독하고, 선호 기준값 미만에 분포하고 있는 구간은 신뢰구간을 만족시키는 것으로 판독할 수 있다.

또한, 신뢰구간의 분포를 판독하는 단계(S132)는, 도로의 노면 상황에 따라 불확실성 파라미터값을 달리 설정할 수 있다.

이때, 신뢰구간의 분포에서 사용자 선호도의 만족 범위를 결정하는 선호 기준값의 위치는, 불확실성 파라미티값 중 하나인 차량 서스펜션의 강성값에 따라 결정될 수 있다.

이에 따라, 본 발명에서는, 사용자 별로 사용자가 선호하는 선호 기준값을 획득하기 위해, 특정 불확실성 파라미터값이 선호 기준값을 만족시키지 못하면(S133의 No의 경우), 선호 기준값을 만족시킬 때까지 다른 불확실성 파라미터값을 대입시켜(S134) 최적의 선호 기준값을 획득할 수 있다.

도 10 및 도 11은, 상기 확률 분포를 측정하는 단계(S131)에 의해 측정된 승차감 지수의 확률 분포를 설명하는 그래프들이다.

도 10은 서스펜션 강성값이 K1이고, 도 11은 서스펜션 강성값이 K2라고 할 경우, 1) 도 10의 경우, 선호 기준값이 도 11의 경우보다 좌측으로 치우친 것을 확인할 수 있는데, 이에 따라, 승차감 지수 샘플의 10%가 사용자의 선호도를 벗어난 것을 확인할 수 있고, 2) 도 11의 경우, 선호 기준값이 도 10의 경우보다 우측으로 치우친 것을 확인할 수 있는데, 이에 따라, 승차감 지수 샘플의 5%만이 사용자의 선호도를 벗어난 것을 확인할 수 있다.

즉, 1) 도 10의 경우에는 90%의 신뢰구간에서만 승차감 지수를 만족시키는 것이고, 2) 도 11의 경우에는 95%의 신뢰구간에서 승차감 지수를 만족시키는 것으로 판독할 수 있다.

다만, 승차감 지수의 95% 신뢰구간을 만족시키는 선호 기준값에 해당하는 차량 불확실성 파라미터값(도 11의 경우에는 K2)은, 노면 상황에 따라 상이할 수 있다.

즉, 도로 구간 별로 노면 상태 등의 변화에 따라 각각의 최적 불확실성 파라미터값이 달리 존재할 것인 바, 본 발명에서는 목적지가 설정된 후 목적지까지의 경로가 도출되면 상술한 바와 같은 확률 기법 기반의 불확실성 파라미터값 최적화 알고리즘을 사용하여 구간 별 불확실성 파라미터값을 제시할 수 있다.

예를 들어, 차량의 출발점으로부터 목적지까지의 경로를 나타낸 도 12를 참조하면, 출발점으로부터 구간 3, 구간 2 및 구간 1의 노면 상황 등이 상이할 것인 바, 상술한 불확실성 파라미터값 최적화 알고리즘을 통해 구간 3, 구간 2 및 구간 1 별로 각각의 구간에 따른 최상의 승차감을 제공할 수 있는 불확실성 파라미터값을 추출할 수 있다.

이에 따라, 본 발명에서는, 통계적 측면에서의 최적화 기법을 승차감에 적용시킴으로써, 차량 운행의 구간 별 최적의 승차감 지수를 만족시키는 불확실성 파라미터값(예를 들어, 서스펜션 강성값 등)을 획득할 수 있다.

상술한 단계 S133에서 사용자의 선호도를 만족시키는 불확실성 파라미터값이 획득되면, 기 설정된 사용자 선호도의 신뢰구간을 분포시키(예를 들어, 승차감 지수의 95% 신뢰구간을 만족시키는 등)는 불확실성 파라미터값을 차량 제어를 위한 차량 계수로 추출한다(S135).

일 실시예에서, 불확실성 파라미터값을 차량 계수로 추출하는 단계(S135)는, 목적지까지의 도로 구간 별로 기 설정된 값 이상의 신뢰구간을 만족시키는(예를 들어, 승차감 지수의 95% 신뢰구간을 만족시키는 등) 불확실성 파라미터값들을 각 구간 별로 추출할 수 있다.

상술한 바와 같은 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법은, 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CDROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

10: 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치
100: 목적지 입력부
200: 승차감지수 계산부
300: 차량계수 추출부
310: 지수분포 계산부
320: 신뢰구간 판독부
330: 계수 추출부
400: 운행 제어부

Claims (15)

1. 사용자로부터 목적지를 입력받는 단계;
   입력받은 목적지까지의 도로 정보 및 차량의 위치 및 진행 방향을 실시간으로 탐지하여 생성된 차량 주행 정보를 이용하여 차량의 진동에 의해 인체 모델이 진동하는 정도인 승차감 지수를 계산하는 단계;
   계산된 승차감 지수의 확률 분포를 측정하며, 측정된 승차감 지수의 확률 분포에서 사용자로부터 설정받은 선호도에 따라 승차감 지수를 통계적으로 만족시키는 차량 계수를 추출하는 단계; 및
   추출된 차량 계수에 따라 목적지까지 차량의 운행을 제어하는 단계를 포함하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
2. 제1항에 있어서, 상기 승차감 지수를 계산하는 단계는,
   도로 정보 및 차량 주행 정보에 포함된 불확실성 파라미터(Uncertain Parameter)를 입력받는 단계;
   입력받은 불확실성 파라미터를 이용하여 인체 모델의 가속도를 계측하는 단계; 및
   계측된 가속도를 신호 처리하여 승차감 지수를 계산하는 단계를 포함하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
3. 제2항에 있어서, 상기 인체 모델의 가속도를 계측하는 단계는,
   인체 모델의 운동 방정식을 이용하여 사용자 신체의 가속도를 계측하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
4. 제2항에 있어서, 상기 불확실성 파라미터는,
   차량의 주행 상황 또는 도로 상황에 따라 변하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
5. 제4항에 있어서, 상기 불확실성 파라미터는,
   차량 부품 물성치 또는 인체 모델 물성치를 파라미터값으로 입력받는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
6. 제2항에 있어서, 상기 신호 처리하여 승차감 지수를 계산하는 단계는,
   주파수 가중 함수를 이용하여 신호 처리를 수행하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
7. 제1항에 있어서, 상기 차량 계수를 추출하는 단계는,
   gPC(generalized Polynomial Chaos)를 이용하여 승차감 지수의 확률 분포를 측정하는 단계;
   불확실성 파라미터값이 변화됨에 따라 측정된 확률 분포 상에서 달라지는 선호 기준값 별로 사용자 선호도를 만족시키는 신뢰구간의 분포를 판독하는 단계; 및
   기 설정된 사용자 선호도의 신뢰구간을 분포시키는 불확실성 파라미터값을 차량 제어를 위한 차량 계수로 추출하는 단계를 포함하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
8. 제7항에 있어서, 상기 gPC를 이용하여 승차감 지수의 확률 분포를 측정하는 단계는,
   Collocation Point의 수만큼 운동 방정식을 풀이하여 승차감 지수의 확률 분포를 계산하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
9. 제7항에 있어서, 상기 신뢰구간의 분포를 판독하는 단계는,
   사용자가 선호하는 승차감 지수의 기준이 되는 선호 기준값을 상용자 별로 달리 설정하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
   
10. 제7항에 있어서, 상기 신뢰구간의 분포를 판독하는 단계는,
    선호 기준값 이상에 분포하고 있는 구간은 신뢰구간을 만족시키지 못한 것으로 판독하고, 선호 기준값 미만에 분포하고 있는 구간은 신뢰구간을 만족시키는 것으로 판독하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
    
11. 제7항에 있어서, 상기 신뢰구간의 분포를 판독하는 단계는,
    도로의 노면 상황에 따라 불확실성 파라미터값을 달리 설정하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
    
12. 제7항에 있어서, 상기 차량 계수로 추출하는 단계는,
    목적지까지의 도로 구간 별로 기 설정된 값 이상의 신뢰구간을 만족시키는 불확실성 파라미터값들을 해당 구간 별로 추출하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법.
    
13. 제1항 내지 제12항 중 어느 하나의 항에 따른 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
    
14. 사용자로부터 목적지를 입력받는 목적지 입력부;
    상기 목적지 입력부로 입력되는 목적지까지의 도로 정보 및 차량의 위치 및 진행 방향을 실시간으로 탐지하여 생성된 차량 주행 정보를 이용하여 차량의 진동에 의해 인체 모델이 진동하는 정도인 승차감 지수를 계산하는 승차감지수 계산부;
    상기 승차감지수 계산부에서 계산된 승차감 지수의 확률 분포를 측정하며, 측정된 승차감 지수의 확률 분포에서 사용자로부터 설정받은 선호도에 따라 승차감 지수를 통계적으로 만족시키는 차량 계수를 추출하는 차량계수 추출부; 및
    상기 차량계수 추출부에서 추출된 차량 계수에 따라 목적지까지 차량의 운행을 제어하는 운행 제어부를 포함하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치.
    
15. 제14항에 있어서, 상기 차량계수 추출부는,
    gPC(generalized Polynomial Chaos)를 이용하여 승차감 지수의 확률 분포를 측정하는 지수분포 계산부;
    불확실성 파라미터값이 변화됨에 따라 상기 지수분포 계산부에서 측정된 확률 분포 상에서 달라지는 선호 기준값 별로 사용자 선호도를 만족시키는 신뢰구간의 분포를 판독하는 신뢰구간 판독부; 및
    상기 신뢰구간 판독부에서 판독된 신뢰구간의 분포에서 기 설정된 사용자 선호도의 신뢰구간을 분포시키는 불확실성 파라미터값을 차량 제어를 위한 차량 계수로 추출하는 계수 추출부를 포함하는, 파라미터의 불확실성을 이용한 차량-인체 모델의 승차감 최적화 장치.