KR102283237B1 - 데이터 주도 기계학습 기반 차량 조향 특성 모델 실시간 규명 장치 및 방법 - Google Patents

Abstract

I-SSGPR(incremental sparse spectrum Gaussian process regression)을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트(yaw rate)를 실시간으로 규명하는 방법에 있어서, 요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서(regressor)를 정의하는 단계, 무작위로 추출되는 주파수 성분들에 기초하여 리그레서에 대한 비선형 피쳐 매핑(nonlinear feature mapping)을 수행함으로써 리그레서로부터 비선형 피쳐를 추출하는 단계, 및 차량의 실시간 주행 데이터에 기초하여 각 시점마다 업데이트되는 가중치 벡터 및 비선형 피쳐에 대한 내적 연산을 수행함으로써 현재 시점의 요 레이트를 추정하는 단계를 포함하는 방법이 개시된다.

Description

데이터 주도 기계학습 기반 차량 조향 특성 모델 실시간 규명 장치 및 방법{APPARATUS AND METHOD FOR REAL-TIME IDENTIFICATING VEHICLE STEERING-YAWRATE MODEL USING DATA-DRIVEN ONLINE MACHINE LEARNING}

본 발명은 차량의 요 레이트를 실시간으로 규명하는 방법 및 장치에 관한 것이다. 보다 상세하게는, 본 발명은 I-SSGPR(incremental sparse spectrum Gaussian process regression)을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트(yaw rate)를 실시간으로 규명하는 데이터 주도 기계학습 기반 차량 조향 특성 모델 실시간 규명 장치 및 방법에 관한 것이다.

근래에 자율 주행, 운전자 지원 시스템 및 지능형 차량 시스템 등에 대한 수요가 증가함에 따라 이들을 구현하기 위한 차량 제어 기술이 발전하고 있다. 차량 제어는 차량의 거동을 수식화한 차량 거동 모델, 예를 들면 차량 조향 특성 모델을 기반으로 설계되고 동작할 수 있다. 따라서, 차량 제어가 정밀하게 수행되기 위해서는 차량의 거동을 보다 정확하게 반영하는 차량 거동 모델이 선행하여 규명될 것이 요구될 수 있다.

다양한 변수들이 차량의 거동을 표현할 수 있다. 요 레이트(yaw rate)는 차량의 횡방향 거동을 표현하는 주요 상태 변수로서, 차량의 직진보다는 차량의 회전이 파악하기에 난해하고 차량의 안전한 운행에 더 큰 영향을 주므로, 요 레이트를 정확하게 규명하는 것이 차량 거동의 파악에 중요한 역할을 할 수 있다.

요 레이트 등과 같은 차량의 거동을 모사하는 수학적 모델들이 제시되어 왔다. 예를 들면, 운동방정식의 형태로 차량의 거동을 정의한 이후, 해당 식을 구성하는 모델링 파라미터들의 구체적인 값을 결정하는 파라미터 규명 방식을 통해 차량의 거동이 모사될 수 있다.

위와 같은 파라미터 규명 방식에서는, 모델링 파라미터들의 값을 결정하기 위해서는 대상 차량의 실제 주행 데이터가 요구될 수 있으며, 실제 주행 데이터로부터 차량의 거동을 가장 적합하게 모사할 수 있는 모델링 파라미터들을 결정하는 과정이 수반되어야 한다. 이와 같은 과정은 시행착오 기법을 통해 수행되거나 최적화 기법을 통해 수행될 수 있다.

다만, 시행착오 기법을 따르는 경우 파라미터 결정 과정이 엔지니어의 경험에 의존하게 되어 파라미터 규명이 안정적으로 이루어지기 어려울 수 있고, 최적화 기법에 의하는 경우 모델링 파라미터 및 차량 모델의 응답 간의 비선형성으로 인해 최종 파라미터 집합이 엔지니어의 경험에 의존하는 초기 추정치에 큰 영향을 받을 수 있다.

특히, 시행착오 기법 또는 최적화 기법 등에 따른 파라미터 규명 방식에서는 차량 거동 모델이 실시간으로 결정되는 것이 아닌, 미리 규정된 모델이 사용되는 것이므로, 차량의 탑승 인원, 적재량, 마찰 계수와 같은 노면의 상태 등의 요인에 변경이 있는 경우, 또는 제어 대상 차종이 변경되는 경우에는 모델에 따른 응답과 실제 응답에 차이가 발생할 수 있어 차량 제어 알고리즘의 성능이 저하될 수 있으므로, 변경된 요인에 맞게 새로 차량 모델을 규명할 것이 요구될 수 있다.

특허문헌 1: 한국 공개특허공보 제1998-068831호

본 발명으로부터 해결하고자 하는 기술적 과제는, 시행착오 기법 또는 최적화 기법 등에 따른 파라미터 규명 방식에서의 문제점을 해결하기 위하여, 차량의 주행과 동시에 차량의 거동 모델이 실시간으로 규명되도록 하여 모델에 따른 응답이 차량의 실제 응답에 보다 부합하도록 하는 실시간 모델 규명 방식을 제공하는 것이다.

전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 일 측면에 따른 I-SSGPR(incremental sparse spectrum Gaussian process regression)을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트(yaw rate)를 실시간으로 규명하는 방법은, 요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서(regressor)를 정의하는 단계; 무작위로 추출되는 주파수 성분들에 기초하여 상기 리그레서에 대한 비선형 피쳐 매핑(nonlinear feature mapping)을 수행함으로써 상기 리그레서로부터 비선형 피쳐를 추출하는 단계; 및 상기 차량의 실시간 주행 데이터에 기초하여 각 시점마다 업데이트되는 가중치 벡터 및 상기 비선형 피쳐에 대한 내적 연산을 수행함으로써 현재 시점의 요 레이트를 추정하는 단계를 포함한다.

본 발명의 다른 측면에 따른 I-SSGPR(incremental sparse spectrum Gaussian process regression)을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트(yaw rate)를 실시간으로 규명하는 장치는, 적어도 하나의 프로그램을 저장하는 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 상기 차량의 요 레이트를 실시간으로 규명하는 프로세서를 포함하고, 상기 프로세서는, 요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서(regressor)를 정의하고, 무작위로 추출되는 주파수 성분들에 기초하여 상기 리그레서에 대한 비선형 피쳐 매핑(nonlinear feature mapping)을 수행함으로써 상기 리그레서로부터 비선형 피쳐를 추출하고, 상기 차량의 실시간 주행 데이터에 기초하여 각 시점마다 업데이트되는 가중치 벡터 및 상기 비선형 피쳐에 대한 내적 연산을 수행함으로써 현재 시점의 요 레이트를 추정한다.

본 발명에 따른 방법 및 장치에 의하면, I-SSGPR을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트가 실시간으로 규명될 수 있다. 따라서, 차량의 거동을 모델링하기 위해 별도로 실제 주행 데이터를 취득하고 사후 분석 과정을 거치지 않고서도 차량 주행과 동시에 요 레이트가 규명될 수 있어, 차량 제어 알고리즘을 설계하기 위해 요구되는 시간 및 비용을 절감할 수 있다. 또한, 차량의 승차 인원, 적재량과 같은 특성이 변경되는 경우에도 실시간 규명을 통해 변경된 특성이 요 레이트에 실시간으로 반영될 수 있으므로, 차량 제어 알고리즘에 강건성이 확보될 수 있다.

도 1은 일부 실시예에 따른 실시간 차량 모델 규명 시스템을 설명하기 위한 도면이다.
도 2는 일부 실시예에 따른 요 레이트를 실시간으로 규명하는 방법 및 장치를 통해 차량 제어 알고리즘을 설계하고 테스트하는 전체 과정을 설명하기 위한 도면이다.
도 3은 일부 실시예에 따른 요 레이트를 실시간으로 규명하는 장치를 구성하는 요소들을 나타내는 블록도이다.
도 4는 일부 실시예에 따른 I-SSGPR의 목적을 설명하기 위한 도면이다.
도 5는 일부 실시예에 따른 I-SSGPR의 접근 방식들을 설명하기 위한 도면이다.
도 6은 일부 실시예에 따른 I-SSGPR에 의해 미확인 함수를 규명하는 과정을 설명하기 위한 도면이다.
도 7은 일부 실시예에 따른 차량의 요 레이트를 규명하기 위한 모델이 정의되는 구체적인 내용을 설명하기 위한 도면이다.
도 8은 일부 실시예에 따른 차량의 요 레이트를 실시간으로 규명하는 과정을 설명하기 위한 도면이다.
도 9는 일부 실시예에 따른 차량의 요 레이트를 실시간으로 규명하는 방법 및 장치의 성능을 검증하기 위한 시나리오 후보군을 설명하기 위한 도면이다.
도 10 및 도 11은 일부 실시예에 따른 차량의 요 레이트가 규명되는 결과를 설명하기 위한 도면이다.
도 12는 일부 실시예에 따른 차량의 요 레이트를 실시간으로 규명하는 방법 및 장치의 성능을 다른 방식과 비교한 결과를 설명하기 위한 도면이다.
도 13은 일부 실시예에 따른 요 레이트를 실시간으로 규명하는 방법을 구성하는 단계들을 나타내는 흐름도이다.

이하에서는 도면을 참조하여 본 발명의 실시예들이 상세하게 설명될 것이다. 이하에서의 설명은 실시예들을 구체화하기 위한 것일 뿐, 본 발명에 따른 권리범위를 제한하거나 한정하기 위한 것은 아니다. 본 발명에 관한 기술 분야에서 통상의 지식을 가진 자가 발명의 상세한 설명 및 실시예들로부터 용이하게 유추할 수 있는 것은 본 발명에 따른 권리범위에 속하는 것으로 해석되어야 한다.

본 발명에서 사용되는 용어는 본 발명에 관한 기술 분야에서 널리 사용되는 일반적인 용어로 기재되었으나, 본 발명에서 사용되는 용어의 의미는 해당 분야에 종사하는 기술자의 의도, 새로운 기술의 출현, 심사기준 또는 판례 등에 따라 달라질 수 있다. 일부 용어는 출원인에 의해 임의로 선정될 수 있고, 이 경우 임의로 선정되는 용어의 의미가 상세하게 설명될 것이다. 본 발명에서 사용되는 용어는 단지 사전적 의미만이 아닌, 명세서의 전반적인 맥락을 반영하는 의미로 해석되어야 한다.

본 발명에서 사용되는 '구성된다' 또는 '포함한다' 와 같은 용어는 명세서에 기재되는 구성 요소들 또는 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 일부 구성 요소들 또는 단계들은 포함되지 않는 경우, 및 추가적인 구성 요소들 또는 단계들이 더 포함되는 경우 또한 해당 용어로부터 의도되는 것으로 해석되어야 한다.

본 발명에서 사용되는 '제 1' 또는 '제 2' 와 같은 서수를 포함하는 용어는 다양한 구성 요소들 또는 단계들을 설명하기 위해 사용될 수 있으나, 해당 구성 요소들 또는 단계들은 서수에 의해 한정되지 않아야 한다. 서수를 포함하는 용어는 하나의 구성 요소 또는 단계를 다른 구성 요소들 또는 단계들로부터 구별하기 위한 용도로만 해석되어야 한다.

이하에서는 도면을 참조하여 본 발명의 실시예들이 상세하게 설명될 것이다. 본 발명에 관한 기술 분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 대해서는 자세한 설명이 생략된다.

도 1은 일부 실시예에 따른 실시간 차량 모델 규명 시스템을 설명하기 위한 도면이다.

도 1을 참조하면, 실시간 차량 모델 규명 시스템(13)이 동작하는 과정에서의 입력 및 출력의 관계도가 도시되어 있다. 실시간 차량 모델 규명 시스템(13)은 대상차량(12)이 운전자 또는 자율주행시스템(11)에 의해 운행되는 경우 대상차량(12)의 차량 모델을 실시간으로 규명할 수 있다.

운전자 또는 자율주행시스템(11)은 대상차량(12)에 차량제어명령을 입력할 수 있다. 예를 들면, 운전자 또는 자율주행시스템(11)은 대상차량(12)을 조향, 제동 또는 구동하기 위한 차량제어명령을 대상차량(12)에 입력할 수 있다. 이에 대응하여 대상차량(12)은 요 레이트, 차속 또는 조향각 등과 같은 차량거동응답을 출력할 수 있다.

차량제어명령에 의해 차량거동응답이 출력되는 과정에서, 실시간 차량 모델 규명 시스템(13)은 차량제어명령 및 차량거동응답을 입력받아 실시간으로 차량 모델 정보, 예를 들면 차량의 요 레이트를 출력할 수 있다. 실시간 차량 모델 규명 시스템(13)에 의해 출력되는 차량 모델 정보는 차량 제어 알고리즘이 차량을 제어하기 위한 기반 데이터가 될 수 있다.

도 2는 일부 실시예에 따른 요 레이트를 실시간으로 규명하는 방법 및 장치를 통해 차량 제어 알고리즘을 설계하고 테스트하는 전체 과정을 설명하기 위한 도면이다.

도 2를 참조하면, 기존의 모델 파라미터 규명 방식이 본 발명에 따른 요 레이트를 실시간으로 규명하는 방법 및 장치에 의해 대체될 수 있음이 도시되어 있다.

기존의 모델 파라미터 규명 방식을 위해서는 차량 모델 정의 단계(21)를 통해 운동방정식의 형태로 차량의 거동이 정의될 수 있다. 이후, 운동방정식의 모델 파라미터들을 결정하기 위하여, 모델 파라미터 규명 단계(22)에서 차량의 실제 운행을 통해 주행 데이터가 획득되고, 그에 대한 시행착오 기법 또는 최적화 기법 등을 통해 모델 파라미터들이 규명될 수 있다. 다만, 차량 모델의 정의가 변경되는 경우, 즉 차량의 중량이나 타이어 마모 상태, 노면의 마찰 계수 등이 변경되는 경우에는, 그 때마다 반복적으로 모델 파라미터들이 새롭게 규명될 것이 요구될 수 있다.

이와 같은 오프라인 방식이 본 발명에 따른 요 레이트를 실시간으로 규명하는 방법 및 장치에 의해 대체되는 경우 차량 거동 모델에 영향을 주는 다양한 요인들이 변경되는 경우에도, 해당 요인들이 실시간으로 모델에 반영되어, 실제 차량의 응답과 모델에 따른 응답에 차이가 발생하는 것이 방지될 수 있으므로, 이후 차량 제어 단계에서의 강건성이 확보될 수 있다.

차량 모델이 규명되어 요 레이트와 같은 차량의 거동이 출력되는 경우, 그에 기초하여 차량 제어 알고리즘 설계 단계(23), 시뮬레이션 성능 검증 단계(24) 및 실차 성능 검증 단계(25)가 수행될 수 있다. 따라서, 차량 제어 알고리즘이 적절하게 동작하기 위해서는, 그에 선행하여 차량 모델이 정확하게 규명될 것이 요구될 수 있다.

도 3은 일부 실시예에 따른 요 레이트를 실시간으로 규명하는 장치를 구성하는 요소들을 나타내는 블록도이다.

도 3을 참조하면, 요 레이트를 실시간으로 규명하는 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 도 3에 도시된 요소들 외에 다른 범용적인 요소들이 장치(100)에 더 포함될 수 있다.

장치(100)는 차량의 요 레이트를 실시간으로 규명할 수 있도록, 차량에 탑재되는 컴퓨팅 디바이스일 수 있다. 서버(100)는 각종 데이터, 명령어들, 적어도 하나의 프로그램 또는 소프트웨어를 저장하기 위한 수단으로서 메모리(110)를 포함할 수 있고, 명령어들 또는 적어도 하나의 프로그램을 실행함으로써 각종 데이터에 대한 처리를 수행하기 위한 수단으로서 프로세서(120)를 포함할 수 있다.

예를 들면, 장치(100)는 스마트 모빌리티 디바이스 등의 형태로 차량에 탑재되는 전장 부품을 의미할 수 있다. 다만 장치(100)가 차량에 탑재되는 형태에 제한되는 것은 아니고, 장치(100)는 무선으로 차량과 데이터를 주고받는 모바일 디바이스로 구현될 수도 있다.

메모리(110)는 요 레이트의 실시간 규명에 관련되는 각종 명령어들을 적어도 하나의 프로그램의 형태로 저장할 수 있다. 예를 들면, 메모리(110)는 컴퓨터 프로그램 또는 모바일 애플리케이션과 같은 소프트웨어를 구성하는 명령어들을 저장할 수 있다. 또한, 메모리(110)는 적어도 하나의 프로그램의 실행에 필요한 각종 데이터를 저장할 수 있다.

메모리(110)는 ROM(read only memory), PROM(programmable ROM), EPROM(electrically programmable ROM), EEPROM(electrically erasable and programmable ROM), 플래시 메모리(flash memory), PRAM(phase-change RAM), MRAM(magnetic RAM), RRAM(resistive RAM), FRAM(ferroelectric RAM) 등과 같은 비휘발성 메모리로 구현될 수 있고, 또는 DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous DRAM), PRAM(phase-change RAM), RRAM(resistive RAM), FeRAM(ferroelectric RAM) 등의 휘발성 메모리로 구현될 수 있다. 또한, 메모리(110)는 HDD(hard disk drive), SSD(solid state drive), SD(secure digital), Micro-SD(micro secure digital) 등으로 구현될 수도 있다.

프로세서(120)는 메모리(110)에 저장되는 적어도 하나의 프로그램을 실행함으로써 차량의 요 레이트를 실시간으로 규명할 수 있다. 프로세서(120)는 요 레이트의 실시간 규명을 구현하기 위한 일련의 처리 과정들을 수행할 수 있다. 또한, 프로세서(120)는 장치(100)를 제어하기 위한 전반적인 기능을 수행할 수 있고, 장치(100) 내부의 각종 연산을 처리할 수 있다.

프로세서(120)는 다수의 논리 게이트들의 어레이 또는 범용적인 마이크로 프로세서로 구현될 수 있다. 프로세서(120)는 단일의 프로세서 또는 복수의 프로세서들로 구성될 수 있다. 프로세서(120)는 적어도 하나의 프로그램을 저장하는 메모리(110) 와 별개의 구성이 아닌, 메모리(110)와 함께 일체로 구성될 수도 있다. 프로세서(120)는 장치(100) 내에 구비되는 CPU(central processing unit), GPU(graphics processing unit) 및 AP(application processor) 중 적어도 하나일 수 있으나, 이는 예시에 불과할 뿐, 프로세서(120)는 다른 다양한 형태로도 구현될 수 있다.

프로세서(120)는 I-SSGPR(incremental sparse spectrum Gaussian process regression)을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트(yaw rate)를 실시간으로 규명할 수 있다. 프로세서(120)는 일정 간격으로 연속하는 복수의 시점들마다, 각 시점에서의 차량의 요 레이트를 추정할 수 있다. 즉, 프로세서(120)는 각 시점마다 차량의 요 레이트를 추정하기 위한 단계들을 반복할 수 있다.

프로세서(120)는 요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서(regressor)를 정의할 수 있다. 리그레서는 I-SSGPR에 따라 요 레이트 추정을 위해 사용되는 변수를 의미할 수 있다. 첫 시점에서는 이전 시점의 요 레이트가 존재하지 않으므로 요 레이트 초기값이 활용될 수 있고, 이후 시점부터는 이전 시점에서 추정된 요 레이트가 활용될 수 있다. 한편, 스티어링 휠의 조향각뿐만 아니라 차량의 차속 또한 요 레이트에 영향을 미치므로, 조향각 및 차속이 리그레서의 정의에 함께 고려될 수 있다.

프로세서(120)는 무작위로 추출되는 주파수 성분들에 기초하여 리그레서에 대한 비선형 피쳐 매핑(nonlinear feature mapping)을 수행함으로써 리그레서로부터 비선형 피쳐를 추출할 수 있다. 비선형 피쳐 매핑은 푸리에 변환과 유사한 방식의 연산으로서, 후술할 바와 같이 비선형 피쳐에 공분산 함수를 근사하기 위한 것이며, 그로 인해 운동방정식을 가정하지 않더라도 I-SSGPR이 규명하고자 하는 함수의 학습 및 예측이 가능해질 수 있다.

프로세서(120)는 차량의 실시간 주행 데이터에 기초하여 각 시점마다 업데이트되는 가중치 벡터 및 비선형 피쳐에 대한 내적 연산을 수행함으로써 현재 시점의 요 레이트를 추정할 수 있다. 가중치 벡터는 기존의 GPR(Gaussian process regression) 방식과는 달리 이전에 축적된 경험 데이터들로 표현되지 않고, 실시간 규명을 위한 I-SSGPR 방식에서는 실시간 주행 데이터에 기초하여 증분 형태(Incremental form)으로 표현될 수 있다.

연속하는 시점들에 대하여, 프로세서(120)는 어느 하나의 시점에서 요 레이트를 추정하는 과정을 각 시점마다 반복하여 수행할 수 있다. 그에 따라, 연속하는 시점들 각각에 대해 차량 조향 특성 모델이 규명됨과 동시에 규명된 모델에 의해 추정되는 요 레이트가 제공될 수 있다.

본 발명에 따른 I-SSGPR에 의하면 운동방정식을 정의하여 모델링 파라미터를 결정하는 과정 없이도 실시간으로 차량 조향 특성 모델이 규명되고 그에 따른 요 레이트가 제공될 수 있다. 운동방정식을 정의하고 모델링 파라미터를 결정하는 과정은 실제 차량의 주행 데이터를 수집하고, 이를 분석하여 시행착오 및 엔지니어의 경험을 통해 최적의 모델링 파라미터를 결정하는 과정을 요하므로, 그와 같은 과정이 생략될 수 있어 모델 규명에 소요되는 시간 및 비용이 기존 방식 대비 절감될 수 있다.

또한, 모델링 파라미터를 결정하는 방식에서는 경우에 따라 최적화 기법이 적용될 수 있으나, 모델링 파라미터 및 차량 모델의 응답 간의 관계가 큰 비선형성을 가지므로, 컨벡스 최적화(convex optimization)로 다루지 못하는 경우 다수의 국부 극소점들(local minima)이 존재하게 되어, 도출된 모델링 파라미터들이 초기 추정치(initial guess)의 설정에 크게 의존하게 될 수 있고, 그에 따라 모델 규명의 안정성이 저하될 수 있다.

본 발명에 따른 I-SSGPR에서는 연속하는 시점들마다 실시간으로 모델이 새롭게 규명될 수 있으므로, 차량의 탑승 인원, 적재량, 노면 마찰 등의 요소들이 변경되는 경우에도 운동방정식의 모델 파라미터들을 재설정하지 않고서도 해당 요소들이 실시간으로 차량 거동 모델에 반영될 수 있으므로, 해당 요소들의 변경이 크거나 잦은 경우에도 기존의 방식 대비 차량 거동이 보다 정확하게 모델링될 수 있다.

도 4는 일부 실시예에 따른 I-SSGPR의 목적을 설명하기 위한 도면이다.

도 4를 참조하면, I-SSGPR는 GPR의 일종으로서, GPR 기법에 의하면 입력들로부터 어떠한 결과물이 도출되는지가 도시되어 있다. GPR은 지도 기계 학습(supervised machine learning)의 한 종류일 수 있다.

GPR의 목적은, 입력값(x_i)에 대한 출력값(y_i)의 쌍에 있어서, N쌍의 학습 데이터가 주어지는 경우, 이를 통해 미확인 함수(f)의 매핑 특성을 학습시켜, 쿼리 입력(x-_q)에 대한 미확인 함수(f)의 함수값(f(x-_q))의 기대값(E[f(x-_q)]) 및 분산(V[f(x-_q)])을 구하는 것일 수 있다.

GPR 방식은, 규명하고자 하는 함수를 운동방정식 등의 형태로 모델링하지 않고, 과거의 경험들에 해당하는 입출력 데이터 쌍들에 대한 학습을 통해 미확인 함수(f)의 매핑 특성을 구체화하여, 임의의 입력으로서 쿼리 입력(x-_q)에 대한 미확인 함수(f)의 출력을 예측하는 방식을 의미할 수 있다.

이와 같이, GPR 기법에서는 과거의 경험 데이터 자체가 직접 활용되며, 입출력 관계에 대한 운동 역학적 수식 정의가 없으므로, GPR 기법은 블랙박스 모델링(blackbox modeling) 기법의 하나로 간주될 수 있다.

과거의 경험 데이터를 직접적으로 활용하는 지도 기계 학습 방식의 근간에는 유사도에 대한 가정이 존재할 수 있다. 유사도란 유사한 입력들에 대해서는 유사한 출력들이 기대될 수 있음을 의미할 수 있다. 이는 입력 데이터들 간의 유사도가 출력 데이터들 간의 유사도로 이어질 수 있음을 의미할 수 있다.

한편, GPR 기법에서 초기 기댓값이 0으로 설정될 수 있다. 즉, 프로세서(120)가 요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서를 정의하는 경우에, 요 레이트 초기값의 초기 기댓값이 0일 수 있다. 이는 이전 시점의 연산 스텝에서의 요 레이트가 유지되는 것을 의미할 수 있으므로, GPR 기법이 규명해야 하는 함수값의 범위를 축소시켜 오버피팅(overfitting) 등의 문제가 발생할 확률을 감소시킬 수 있다.

도 5는 일부 실시예에 따른 I-SSGPR의 접근 방식들을 설명하기 위한 도면이다.

도 5를 참조하면, GPR 방식의 접근 방식들로서, 가중치-공간 뷰(weight-space view)(51) 및 함수-공간 뷰(function-space view)(52)를 설명하기 위한 내용들이 도시되어 있다.

가중치-공간 뷰(weight-space view)(51) 및 함수-공간 뷰(function-space view)(52)는, 각 행에서 정리된 바와 같이, 함수 모델(function model), 쿼리 입력(x--_q)에서의 예측 분포(predictive distribution) 및 예비 사항들(preliminaries)의 측면에서 서로 상이한 특성들을 가질 수 있다.

가중치-공간 뷰(51)에서는, 실시간 업데이트가 가능한 형태로 기본 수식이 변형될 수 있는 반면, 엔지니어의 경험에 근거하여 데이터의 입출력 관계를 잘 모사할 수 있는 함수 모델이 선정될 것이 요구될 수 있다. 예를 들면, 가중치-공간 뷰(51)에서는 비선형 피쳐(Φ(x)) 및 가중치 벡터(w)에 대한 내적 연산으로 함수 모델이 선정될 수 있다.

함수-공간 뷰(52)의 경우, 입력 데이터들 간의 유사도를 수치화하기 위한 수단으로서 공분산 함수 또는 커널 함수가 활용될 수 있다. 예를 들면, 도 5의 수식(53)에서와 같이, 커널 함수(K_ij)는 입력 데이터들 간의 유클리드 거리(Euclidean distance)에 관한 함수로 표현될 수 있다.

함수-공간 뷰(52)에서와 같이 공분산 함수 또는 커널 함수가 이용되는 경우, 특정한 함수 모델을 가정하지 않고서도 모사 대상 함수의 학습 및 예측이 가능할 수 있다. 이를 위해서는, 모든 데이터가 축적되어 있을 것이 요구될 수 있므로, 함수-공간 뷰(52)의 특징만을 고려하는 경우에는 실시간 사용에 어려움이 있을 수 있다.

위와 같은 GPR 방식의 접근 방식들에 관하여, I-SSGPR 방식에 의하면 가중치-공간 뷰(51)의 특징 및 함수-공간 뷰(52)의 특징이 모두 고려되어, 실시간으로 특정 시스템의 입출력 관계가 규명될 수 있다.

I-SSGPR은, 함수-공간 뷰(52)에 따라 주파수 성분들의 무작위 스펙트럼에 기초하여 도출되는 공분산 함수를 근사하여 비선형 피쳐를 추출하고, 가중치-공간 뷰(51)에 따라 내적 연산을 수행하여 현재 시점의 요 레이트를 추정하도록 구성될 수 있다.

즉, 리그레서로부터 무작위 주파수 성분들을 통해 추출되는 비선형 피쳐는 함수-공간 뷰(52)에서의 공분산 함수와 유사한 역할을 할 수 있고, 이와 같은 비선형 피쳐에 가중치-공간 뷰(51)에 기초한 내적 연산이 수행될 수 있다. I-SSGPR에 가중치-공간 뷰(51)이 반영됨에 따라, 미확인 함수의 스트리밍 데이터, 즉 차량의 실시간 주행 데이터가 가중치 벡터를 통해 실시간으로 학습될 수 있다.

도 6은 일부 실시예에 따른 I-SSGPR에 의해 미확인 함수를 규명하는 과정을 설명하기 위한 도면이다.

도 6을 참조하면, I-SSGPR에 의해 미확인 함수를 규명하는 과정을 설명하기 위한 그래프(61) 내지 그래프(63)이 도시되어 있다. 그래프(61) 내지 그래프(63)에는, 1차원 입력으로부터 1차원 출력을 생성하는 미확인 함수는 흑색 실선으로 도시되어 있고, 트레이닝 포인트가 흑색 원형으로 도시되어 있으며, I-SSGPR 기법에 따라 실시간으로 업데이트되는 함수의 예측치가 적색 1점 쇄선으로 도시되어 있고, 예측치에 대한 불확실도가 적색 파선으로 도시되어 있다.

그래프(63)에서, 두 개의 트레이닝 포인트들이 학습되어, 해당 지점에서 예측치에 대한 불확실도가 좁혀져 적색 파선이 맞닿아 있으며, 트레이닝 포인트들이 제공되지 않은 지점들에서는 적색 파선의 예측치에 대한 불확실도가 큰 것으로 도시되어 있다.

그래프(61) 내지 그래프(63)에서는, 트레이닝 포인트들이 축적됨에 따라 적색 파선의 예측치에 대한 불확실도가 감소하여, 적색 1점 쇄선의 함수의 예측치 근방으로 수렴하는 것이 도시되어 있고, 적색 1점 쇄선의 함수의 예측치가 흑색 실선의 미확인 함수와 거의 일치함이 확인될 수 있다.

도 7은 일부 실시예에 따른 차량의 요 레이트를 규명하기 위한 모델이 정의되는 구체적인 내용을 설명하기 위한 도면이다.

도 7을 참조하면, 차량의 요 레이트를 추정하는 모델(72)은 NARX 모델(nonlinear autoregressive exogenous input model)(71)로서 정의되었음이 도시되어 있다. 모델(72)은 조향 입력으로부터 발생하는 차량의 요 레이트를 규명하기 위한 것일 수 있다. 또한, 모델(72)은 NARX 모델(71)을 다시 세분화하여 오일러 방법(Euler method)의 형태로 이산화된 것일 수 있다.

모델(72)에서는, 시점(k)에서의 차량의 요 레이트(γ_k)는 이전 시점들(k-1, k-2)에서의 요 레이트(γ_k-1), 차속(v_x,k-1, v_x,k-2) 및 조향각(δ_x,k-1, δ_x,k-2)에 기초하여 결정될 수 있다. 여기서, 차속 및 조향각은 곱의 형태로 모델(72)에 반영될 수 있고, 또한 현재 시점(k)의 직전 시점(k-1) 외에도, 그 다음 직전 시점(k-2)의 성분까지 모델(72)에 반영될 수 있다.

차속 및 조향각이 곱의 형태로 반영된다는 특징, 및 직전 시점(k-1) 외에도 그 다음 직전 시점(k-2)의 성분까지 모델(72)에 반영된다는 특징은, 모델(72)에 이어 리그레서에도 반영될 수 있다. 리그레서는 비선형 피쳐를 추출하는 대상이 되는 것으로서, 차량의 요 레이트 예측을 위해 사용될 수 있다.

한편, I-SSGPR을 활용하여 차량의 요 레이트를 실시간으로 규명하기 위한 연속하는 시점들 각각의 간격은 다양한 수치로 설정될 수 있다. 예를 들면, 연속하는 시점들 간의 간격은 100 ms일 수 있고, 그에 따라 현재 시점(k) 및 직전 시점(k-1) 간의 간격이 100 ms일 수 있다. 다만 이에 제한되는 것은 아니고, 연속하는 시점들 간의 간격은 100 ms 외의 다른 수치로 설정될 수도 있다.

도 8은 일부 실시예에 따른 차량의 요 레이트를 실시간으로 규명하는 과정을 설명하기 위한 도면이다.

도 8을 참조하면, 차량의 요 레이트를 실시간으로 규명하는 과정에서, 리그레서를 정의하는 단계(81), 비선형 피쳐를 추출하는 단계(82) 및 현재 시점의 요 레이트를 추정하는 단계(83)가 도시되어 있다.

리그레서를 정의하는 단계(81)에서, 프로세서(120)는 이전 시점의 차속 및 이전 시점의 조향각이 곱해진 형태를 반영하여 리그레서를 정의할 수 있다. 도 8에 도시된 바와 같이, 현재 시점의 요 레이트(γ_k)를 추정하기 위해 사용되는 리그레서(x_q,k-1)에는 차속 및 조향각의 곱(v_q,k-1·δ_k-1, v_q,k-2·δ_k-2)이 포함될 수 있다. 이는 동일한 조향각에서도 차속에 따라 상이한 요 레이트가 발생할 수 있음을 반영하기 위한 의도일 수 있다.

또한, 리그레서를 정의하는 단계(81)에서, 프로세서(120)는 현재 시점(k)의 직전 시점인 제1 시점(k-1)의 차속(v_q,k-1), 제1 시점(k)의 조향각(δ_k-1), 제1 시점(k-1)의 직전 시점인 제2 시점(k-2)의 차속(v_q,k-2) 및 제2 시점(k-2)의 조향각(δ_k-1)을 반영하여 리그레서(x_q,k-1)를 정의할 수 있다. 이는 조타 속도, 즉 조향각을 변경시키는 속도에 따라서도 차량의 요 레이트가 상이하게 발생할 수 있음을 반영하기 위한 것일 수 있다.

비선형 피쳐를 추출하는 단계(82)에서, 무작위로 추출되는 주파수 성분들(ω₁ ^T, ω₂ ^T, ... , ω_D ^T)에 기초하여, 리그레서(x_q,k-1)에 대한 비선형 피쳐 매핑(nonlinear feature mapping)이 수행될 수 있다. 비선형 피쳐 매핑의 결과, 2D개의 성분들을 포함하는 비선형 피쳐(φ_q(x_q))가 추출될 수 있다.

현재 시점의 요 레이트를 추정하는 단계(83)에서, 비선형 피쳐(φ) 및 가중치 벡터(w)에 대한 내적 연산(inner product)이 수행되어, 현재 시점(k)의 요 레이트에 대한 추정치가 도출될 수 있다. 한편, 가중치 벡터(w)는 쿼리 입력(x_q)에서의 출력의 예측 분포(p(y_q｜x_q, X, y))의 평균과도 관련성이 있을 수 있다.

도 9는 일부 실시예에 따른 차량의 요 레이트를 실시간으로 규명하는 방법 및 장치의 성능을 검증하기 위한 시나리오 후보군을 설명하기 위한 도면이다.

도 9에는 스티어링 휠의 조향각(SWA)의 크기, 스티어링 휠 조향의 빈도수 및 차속에 대한 시나리오 후보군을 구성하는 수치들을 나타내는 표가 도시되어 있다. 도 9의 표에 도시된 시나리오 후보군으로부터 무작위 추출을 통해 3개의 시나리오를 계획하고, 이를 하나의 에퍽(epoch)으로 간주하여, 총 200회의 에퍽들에 해당하는 시나리오를 통해 요 레이트 추정 모델의 학습 및 예측이 수행될 수 있다.

위와 같은 검증 절차에서는, 요 레이트의 기댓값을 중심으로 발생하는 분산값 궤적의 닫힌 면적이 학습도를 나타내는 정량 지표로 활용될 수 있다. 즉, 분산값 궤적의 닫힌 면적이 수렴할수록 학습도가 높은 것으로 해석될 수 있다.

도 10 및 도 11은 일부 실시예에 따른 차량의 요 레이트가 규명되는 결과를 설명하기 위한 도면이다.

도 10 및 도 11을 참조하면, 25번째 에퍽이 수행된 경우의 데이터들이 도 10에 도시되어 있고, 191번째 에퍽이 수행된 경우의 데이터들이 도 11에 도시되어 있다.

도 10의 그래프(102)에는 실제 차량의 조향각이 흑색 실선으로 도시되어 있고, 그래프(101)에는 본 발명에 따른 I-SSGPR을 활용하여 실시간으로 규명된 요 레이트가 적색 1점 쇄선으로, 실제 요 레이트가 흑색 실선으로, 예측치에 대한 불확실도가 흑색 파선으로 도시되어 있다.

191번째 에퍽을 나타내는 도 11의 그래프(111)에서와는 달리, 25번째 에퍽에서는, 즉 학습이 비교적 적은 시간 동안 진행된 경우에서, I-SSGPR 방식을 나타내는 적색 실선이 바이시클 모델을 나타내는 청색 1점 쇄선 대비, 실제 차량의 요 레이트를 나타내는 흑색 실선에 보다 가깝게 형성되어 있으므로, I-SSGPR 방식이 바이시클 모델에 비해 적은 학습량만으로도 높은 성능을 보일 수 있다.

또한, 도 10의 그래프(103) 및 도 11의 그래프(113)를 비교할 때, I-SSGPR 방식에서 분산값 궤적의 닫힌 면적이 발산하지 않고 일정한 값으로 수렴하고 있음을 고려하면, I-SSGPR 방식에 따른 학습이 원활하게 수행되었음이 확인될 수 있다.

도 12는 일부 실시예에 따른 차량의 요 레이트를 실시간으로 규명하는 방법 및 장치의 성능을 다른 방식과 비교한 결과를 설명하기 위한 도면이다.

도 12는, 도 9 내지 도 11에서 시나리오 후보군을 활용한 시뮬레이션을 통해 검증이 이루어진 것과는 달리, 실제 차량(Hyundai Solati)을 이용하여 도심 주행 데이터를 수집하고, 본 발명에 따른 I-SSGPR 방식의 차량 모델 응답과 기존의 바이시클 모델의 차량 모델 응답을 실제 요 레이트와 비교한 결과를 나타내는 그래프가 도시되어 있다.

도 12의 그래프에서는, 실제의 요 레이트가 흑색 실선으로, I-SSGPR 방식에 따른 요 레이트가 적색 1점 쇄선으로, 바이시클 모델에 따른 요 레이트가 청색 1점 쇄선으로 도시되어 있다. 도 12의 그래프를 참조하면, 비교적 낮은 요 레이트 범위에서는, 바이시클 모델에서도 실제 차량 거동의 표현에 문제가 없으나, 우회전과 같이 큰 값의 요 레이트가 발생하는 거동의 경우에는 바이시클 모델보다 I-SSGPR 방식에서 실제 차량의 응답을 모사하는 성능이 보다 뛰어나다는 점이 확인될 수 있다.

도 13은 일부 실시예에 따른 요 레이트를 실시간으로 규명하는 방법을 구성하는 단계들을 나타내는 흐름도이다.

도 13을 참조하면, 요 레이트를 실시간으로 규명하는 방법은 단계 1310 내지 단계 1330을 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 도 13에 도시된 단계들 외에 다른 범용적인 단계들이 요 레이트를 실시간으로 규명하는 방법에 더 포함될 수 있다.

도 13의 요 레이트를 실시간으로 규명하는 방법은 앞서 살핀 요 레이트를 실시간으로 규명하는 장치(100)에서 시계열적으로 처리되는 단계들로 구성될 수 있다. 따라서, 도 13의 방법에 대해 이하에서 생략되는 내용이라 할지라도, 장치(100)에 대해 이상에서 설명되는 내용은 도 13의 방법에 대해서도 동일하게 적용될 수 있다.

단계 1310에서, 장치(100)는 요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서(regressor)를 정의할 수 있다.

장치(100)는 이전 시점의 차속 및 상기 이전 시점의 조향각이 곱해진 형태를 반영하여 리그레서를 정의할 수 있다.

장치(100)는 현재 시점의 직전 시점인 제1 시점의 차속, 제1 시점의 조향각, 제1 시점의 직전 시점인 제2 시점의 차속 및 제2 시점의 조향각을 반영하여 리그레서를 정의할 수 있다.

단계 1320에서, 장치(100)는 무작위로 추출되는 주파수 성분들에 기초하여 리그레서에 대한 비선형 피쳐 매핑(nonlinear feature mapping)을 수행함으로써 리그레서로부터 비선형 피쳐를 추출할 수 있다.

단계 1330에서, 장치(100)는 차량의 실시간 주행 데이터에 기초하여 각 시점마다 업데이트되는 가중치 벡터 및 비선형 피쳐에 대한 내적 연산을 수행함으로써 현재 시점의 요 레이트를 추정할 수 있다.

I-SSGPR은, 함수-공간 뷰(function-space view)에 따라 주파수 성분들의 무작위 스펙트럼에 기초하여 도출되는 공분산 함수를 근사하여 비선형 피쳐를 추출하고, 가중치-공간 뷰(weight-space view)에 따라 내적 연산을 수행하여 현재 시점의 요 레이트를 추정하도록 구성될 수 있다.

연속하는 시점들 간의 간격은 100 ms일 수 있다.

요 레이트 초기값의 초기 기댓값은 0일 수 있다.

한편, 도 13의 요 레이트를 실시간으로 규명하는 방법은 그 방법을 실행하는 명령어들을 포함하는 적어도 하나의 프로그램 또는 소프트웨어가 기록되는 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.

컴퓨터로 판독 가능한 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령어의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함될 수 있다.

이상에서 본 발명의 실시예들이 상세하게 설명되었으나 본 발명에 따른 권리범위가 이에 한정되는 것은 아니고, 다음의 청구범위에 기재되어 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명에 따른 권리범위에 포함되는 것으로 해석되어야 한다.

Claims (12)

1. I-SSGPR(incremental sparse spectrum Gaussian process regression)을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트(yaw rate)를 실시간으로 규명하는 방법에 있어서,
   요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서(regressor)를 정의하는 단계;
   무작위로 추출되는 주파수 성분들에 기초하여 상기 리그레서에 대한 비선형 피쳐 매핑(nonlinear feature mapping)을 수행함으로써 상기 리그레서로부터 비선형 피쳐를 추출하는 단계; 및
   상기 차량의 실시간 주행 데이터에 기초하여 각 시점마다 업데이트되는 가중치 벡터 및 상기 비선형 피쳐에 대한 내적 연산을 수행함으로써 현재 시점의 요 레이트를 추정하는 단계를 포함하는 방법.
   
2. 제1항에 있어서,
   상기 리그레서를 정의하는 단계는, 상기 이전 시점의 차속 및 상기 이전 시점의 조향각이 곱해진 형태를 반영하여 상기 리그레서를 정의하는 단계를 포함하는 방법.
   
3. 제1항에 있어서,
   상기 리그레서를 정의하는 단계는, 상기 현재 시점의 직전 시점인 제1 시점의 차속, 상기 제1 시점의 조향각, 상기 제1 시점의 직전 시점인 제2 시점의 차속 및 상기 제2 시점의 조향각을 반영하여 상기 리그레서를 정의하는 단계를 포함하는 방법.
   
4. 제1항에 있어서,
   상기 I-SSGPR은, 함수-공간 뷰(function-space view)에 따라 상기 주파수 성분들의 무작위 스펙트럼에 기초하여 도출되는 공분산 함수를 근사하여 상기 비선형 피쳐를 추출하고, 가중치-공간 뷰(weight-space view)에 따라 상기 내적 연산을 수행하여 상기 현재 시점의 요 레이트를 추정하도록 구성되는 방법.
   
5. 제1항에 있어서,
   상기 연속하는 시점들 간의 간격은 100 ms인 방법.
   
6. 제 1항에 있어서,
   상기 요 레이트 초기값의 초기 기댓값은 0인 방법.
   
7. I-SSGPR(incremental sparse spectrum Gaussian process regression)을 활용하여 연속하는 시점들 각각에서의 차량의 요 레이트(yaw rate)를 실시간으로 규명하는 장치에 있어서,
   적어도 하나의 프로그램을 저장하는 메모리; 및
   상기 적어도 하나의 프로그램을 실행함으로써 상기 차량의 요 레이트를 실시간으로 규명하는 프로세서를 포함하고,
   상기 프로세서는,
   요 레이트 초기값 또는 이전 시점의 요 레이트, 이전 시점의 차속 및 이전 시점의 조향각에 기초하여 현재 시점의 리그레서(regressor)를 정의하고,
   무작위로 추출되는 주파수 성분들에 기초하여 상기 리그레서에 대한 비선형 피쳐 매핑(nonlinear feature mapping)을 수행함으로써 상기 리그레서로부터 비선형 피쳐를 추출하고,
   상기 차량의 실시간 주행 데이터에 기초하여 각 시점마다 업데이트되는 가중치 벡터 및 상기 비선형 피쳐에 대한 내적 연산을 수행함으로써 현재 시점의 요 레이트를 추정하는 장치.
   
8. 제7항에 있어서,
   상기 프로세서는, 상기 이전 시점의 차속 및 상기 이전 시점의 조향각이 곱해진 형태를 반영하여 상기 리그레서를 정의하는 장치.
   
9. 제7항에 있어서,
   상기 프로세서는, 상기 현재 시점의 직전 시점인 제1 시점의 차속, 상기 제1 시점의 조향각, 상기 제1 시점의 직전 시점인 제2 시점의 차속 및 상기 제2 시점의 조향각을 반영하여 상기 리그레서를 정의하는 장치.
   
10. 제 7항에 있어서,
    상기 I-SSGPR은, 함수-공간 뷰(function-space view)에 따라 상기 주파수 성분들의 무작위 스펙트럼에 기초하여 도출되는 공분산 함수를 근사하여 상기 비선형 피쳐를 추출하고, 가중치-공간 뷰(weight-space view)에 따라 상기 내적 연산을 수행하여 상기 현재 시점의 요 레이트를 추정하도록 구성되는 장치.
    
11. 제 7항에 있어서,
    상기 연속하는 시점들 간의 간격은 100 ms인 장치.
    
12. 제 7항에 있어서,
    상기 요 레이트 초기값의 초기 기댓값은 0인 장치.

Images