KR102469439B1 - 종방향 차량속도 및 휠속도에 기반하여 ANN Classifier를 이용한 도로노면 마찰계수 추정 방법 - Google Patents

Abstract

발명에 따른 종방향 차량속도 및 휠속도에 기반하여 인공 신경망 분류 로직을 이용한 도로노면 마찰계수 추정 방법은, 차량 제동시에 차량에 장착된 센서로부터 얻은 종 방향속도, 휠 속도, 제동 신호를 기반으로 하여 기설정된 변수들의 평균값을 계산하는 단계; 상기 변수들의 평균값들을 인공 신경망 분류 로직(ANN Classifier)을 통해 경향성을 학습하는 단계; 및 상기 인공 신경망 분류 로직을 활용하여 마찰 계수를 추정하는 단계;를 포함하는 것을 특징으로 한다.

Description

종방향 차량속도 및 휠속도에 기반하여 ANN Classifier를 이용한 도로노면 마찰계수 추정 방법{Road surface friction coefficient estimation method using ANN Classifier based on longitudinal vehicle speed and wheel speed}

본 발명은 차량 제동 시 일정 시간 구간의 종 방향속도와 휠 속도의 평균 데이터들을 기반으로 인공 신경망 분류 로직(ANN Classifier)을 활용하여 경향성을 학습시켜 최종적으로 도로노면 마찰계수를 추정하는 방안에 대한 것이다.

차량의 엔진 성능이 고성능화되면서 차량의 주행 속도도 고속화되는 추세이다. 이에 따라 차량의 주행 안정성 향상 및 제동 안정성 확보를 위해 다양한 전자 제어 시스템이 차량에 설치된다. 이러한 차량의 전자 제어 시스템에는 차량의 제동 시 휠의 슬립에 따라 제동과 제동 해제를 반복하여 제동 안정성을 확보하는 안티록 브레이크 시스템(Anti-Lock Brake System;이하, ABS라 한다)과, 차량의 급발진 또는 급가속 시 구동륜의 슬립을 방지하는 트랙션 제어 시스템(Traction Control System;이하, TCS라 한다)과, ABS와 TCS를 조합하여 브레이크 액압을 제어함으로써 차량의 주행 안정성을 향상시키는 차량 자세 제어 시스템(Electronic Stability Program;이하,ESP라 한다) 등이 있다.

한편, 종래의 차량의 주행 중 노면과 타이어간의 마찰계수를 추정하는 기술들은 크게 차량이 회전 주행 시 조향토크센서에서 출력된 토크 값과 조향각 센서에서 출력된 조향각으로부터 노면과 타이어간의 마찰계수를 추정하는 기술과 차량이 회전 주행 시 각속도센서에서 검출된 각속도와 조향각 센서에서 검출된 조향각 및 차륜의 속도로부터 노면과 타이어 간의 마찰계수를 추정하는 기술이 사용되었다. 그러나 종래의 노면과 타이어간의 마찰계수를 추정하는 기술들은 차량이 회전 주행 시 차량에 장착된 센서들로부터 출력되는 차량속도, 조향각, 휠속도 및 횡가속도 등으로부터 타이어와 노면간의 마찰계수를 추정하였으며, 노면 종류에 따라 미리 설정된 마찰계수를 순서대로 적용한 후, 차량에 마련된 각종 센서를 이용해서 네 바퀴 중 어느 하나라도 주행 속도와 다른 회전수가 검출되면, 적용된 마찰계수를 제외한 나머지 마찰계수 중 하나를 다시 적용하였다.

차량의 하중 이동량을 이용하여 노면의 마찰계수를 측정하는 노면마찰계수 측정방법을 제공하는 것으로서, 차량의 브레이크 입력을 인식하는 단계, 차량의 종방향 하중이동량을 산출하는 단계, 차량의 슬립률을 산출하는 단계 및 차량의 종방향 하중 이동량 및 슬립률을 이용하여 노면마찰계수를 산출하는 단계를 포함하는 기술과 관련된 종래의 문헌으로는 한국등록특허 제10-1541222호를 참조할 수 있다.

(특허문헌 1) KR10-1541222 B

본 발명은 상기 종래의 문제점을 해소하고자 하는 것으로서, 차량 제동 시 일정 시간 구간의 종 방향속도와 휠 속도의 평균 데이터들을 기반으로 인공 신경망 분류 로직(ANN Classifier)을 활용하여 경향성을 학습시켜 최종적으로 도로노면 마찰계수를 추정하고자 방법을 제공하고자 하는 것이다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 종방향 차량속도 및 휠속도에 기반하여 인공 신경망 분류 로직을 이용한 도로노면 마찰계수 추정 방법은, 차량 제동시에 차량에 장착된 센서로부터 얻은 종 방향속도, 휠 속도, 제동 신호를 기반으로 하여 기설정된 변수들의 평균값을 계산하는 단계; 상기 변수들의 평균값들을 인공 신경망 분류 로직(ANN Classifier)을 통해 경향성을 학습하는 단계; 및 상기 인공 신경망 분류 로직을 활용하여 마찰 계수를 추정하는 단계;를 포함하는 것을 특징으로 한다.

상기 기설정된 변수들의 평균값은 하기의 수식과 같다.

Ave_dV = Average[dV(t)/Vmax] for T0<t<T1......................(1)

Ave_Slip(i) = Average[(Reff*W(i,t)-V(t))/max(Reff*W(t), V(t))] for T0<t<T1 ......................(1)

여기에서, T0: 제동시작점, V(T0) : 제동시작점 속도, T1: 제동에 의해 차량속도(V(t))가 V(T0)의 60%가 되는 시점

상술한 바와 같은 본 발명에 따른 종방향 차량속도 및 휠속도에 기반하여 ANN Classifier를 이용한 도로노면 마찰계수 추정 방법은 차량 제동 시 일정 시간 구간의 종 방향속도와 휠 속도의 평균 데이터들을 기반으로 인공 신경망 분류 로직(ANN Classifier)을 활용하여 경향성을 학습시켜 최종적으로 도로노면 마찰계수를 추정하는 방안을 제공한다.

본 발명은 차량 센서로부터 얻은 종 방향속도, 휠 속도, 제동신호를 기반으로 하여 주요변수들의 평균값을 계산한 상태에서, 주요변수들의 평균값들을 ANN Classifier가 그 경향성을 학습하게 하고, 완전히 학습된 ANN Classifier를 실제 활용하여 마찰계수를 효과적으로 추정한다는 점에 그 특징이 있다.

도 1은 본 발명의 일 실시예에 따른 도로노면 마찰계수 추정 방법의 전체적인 흐름을 보인다.
도 2는 평균값 Ave_dV vs. Ave_Slip(i) 선도를 보인다.
도 3은 TruckSim기반 시뮬레이션 결과값을 보인다.
도 4는 실차시험 기반 결과값을 보인다.
도 5는 2단계에 걸친 인공 신경망 분류 로직(artificial neural network, ANN)을 보인다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 더욱 상세히 설명하기로 한다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면 상에서 동일 부호는 동일한 요소를 지칭한다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 도 1 내지 도 5를 참조하여 본 발명의 일 실시예에 따라 종방향 차량속도 및 휠속도에 기반하여 ANN Classifier를 이용한 도로노면 마찰계수 추정 방법을 설명한다.

본 발명은 차량 제동 시 일정 시간 구간의 종 방향속도와 휠 속도의 평균 데이터들을 기반으로 인공 신경망 분류 로직(ANN Classifier)을 활용하여 경향성을 학습시켜 최종적으로 도로노면 마찰계수를 추정하는 방안을 제공하는 것이다.

도 1을 참조하면,

먼저, 차량에 장착된 센서로부터 종 방향속도, 휠 속도 및 제동신호를 획득한다.

상기의 획득된 속도 및 제동 신호 데이터를 기반으로 주요변수들의 평균값을 계산한다.

다음으로, 상기 변수들의 평균값들을 ANN Classifier가 그 경향성을 학습을 하게 한다.

마지막으로, 완전히 학습된 ANN Classifier를 실제 활용하여 마찰계수를 추정하는 것을 특징으로 한다.

차량의 종방향 속도와 휠속을 활용하여 하기의 (1),(2)에 제시된 식을 기반으로 주요변수(dV(t)/Vmax , Slip(i))를 계산한다.

하기의 식 (1)은 시간 t-1과 t 에서의 속도증감을 보인다.

dV(t)/Vmax = [V(t)-V(t-1)]/Vmax ......................(1)

하기의 식 (2)는 슬립 계산식을 보인다.

Slip(i) = [Reff*W(i,t)-V(t)]/max[Reff*W(i,t), V(t)]......................(2)

상기의 식에서, 각각 V(t): 종방향속도, t: 시간, Reff: 타이어 동반경, W(i,t): 각 바퀴 휠속 (i=1,2,3,4/사륜); Vmax: 정규화를 위한 상수

한편, 하기의 (3),(4)에 나타난 식들을 이용하여 주요 변수들의 평균값(Ave_dV , Ave_Slip(i))을 구한다.

Ave_dV = Average[dV(t)/Vmax] for T0<t<T1......................(3)

Ave_Slip(i) = Average[(Reff*W(i,t)-V(t))/max(Reff*W(t), V(t))] for T0<t<T1 ......................(4)

상기의 식에서, T0: 제동시작점, V(T0) : 제동시작점 속도, T1: 제동에 의해 차량속도(V(t))가 V(T0)의 60%가 되는 시점

상기와 같이, 차량의 종방향 속도와 휠속을 활용하여 (1),(2)에 제시된 식을 기반으로 주요변수(dV(t)/Vmax , Slip(i))를 계산하고, (3),(4)에 나타난 식들을 이용하여 주요 변수들의 평균값(Ave_dV , Ave_Slip(i))을 구한다.

도 2는 평균값 Ave_dV vs. Ave_Slip(i) 선도를 보인다.

구체적으로는, 선도 상에서 세로축으로는 Ave_dV을 설정하고, 가로축으로는 Ave_Slip(i)을 설정한 상태에서 주요 변수들의 평균값들(Ave_dV, Ave_Slip(i))을 이용한 선도를 나타낸 것이며, 도로의 마찰계수에 따라 군집들이 형성됨을 알 수 있다. 이 선도의 데이터들을 활용하여 ANN Classifier를 설계한다.

거의 1에 가까운 Ave_Slip(i) 및 40 인근 수치를 갖는 Ave_dV 지점 상에서의 도로 마찰계수 0.1~0.2를 갖는 상태에서, 거의 0.2에 가까운 Ave_Slip(i) 및 150 인근 수치를 갖는 Ave_dV 지점 상에서의 도로 마찰계수 0.9~1을 갖는 분포도를 보면 음의 기울기를 갖는 직선 형태의 분포를 갖는 것을 확인할 수 있다. 이는 Trucksim simulation 결과를 이용하여 획득한다.

도 3은 TruckSim 기반 마찰계수 시뮬레이션 결과값을 보인다.

TruckSim은 다축 상용차 및 군용 차량의 성능을 시뮬레이션하기 위한 방법을 제공하는 것으로서, 차량 역학 분석, 능동 컨트롤러 개발, 트럭의 성능 특성 계산 및 차세대 능동 안전 시스템 엔지니어링에 보편적으로 사용되는 도구이다.

이를 이용하여 설계된 도로노면 마찰 계수 추정 로직을 적용하여 9개의 도로 노면 마찰 계수에 대하여 9번의 시뮬레이션을 통해 각각의 결과를 도 3에 나타내었다. 가로축은 시간(sec)을 의미하며, 세로축은 9개의 다른 조건에 대한 마찰계수(μ,mu) 추정 결과이다, 도3에서 보는 바와 같이 추정 결과는 실제 트럭심의 도로 노면 마찰계수 (시뮬레이션 조건/정답)와 거의 유사함을 알 수 있다.

도 4는 실차시험 기반 마찰계수 결과값을 보인다.

가로축을 시간(sec)으로 설정하고 세로축을 마찰계수(μ,mu)로 설정한 상태에서, 고 마찰로 (0.8)에서 이루어진 총 실험 5번 및 중 마찰로(0.5~0.6)에서 이루어진 총 실험 5번을 통해서 제안한 로직의 성능 및 강건성을 파악한 것이다.

동일 마찰 조건의 실험에서 각각의 추정치가 적은 편차를 가지고 있으며, 실제 도로 노면의 마찰 계수 (점선으로 표시)와 상당히 일치함을 알 수 있다.

도 5는 2단계에 걸친 인공 신경망 분류 로직(artificial neural network, ANN)을 보인다.

1단계는 오프라인을 통해 학습 및 설계단계를 거치는 것을 특징으로 하는 것으로서, 차량시험데이터를 획득한 상태에서, 상기 획득한 차량시험데이터를 이용해서 주요 성능 변수를 계산하고, 상기 성능 변수를 ANN Classifier에 입력하여 경향성을 학습을 하게 한다.

2단계는 온라인을 통해 ANN 실제 사용 단계를 거치는 것을 특징으로 하는 것으로서, 차량 시스템을 통해 종 방향속도, 휠 속도 및 제동신호를 획득한 상태에서, 상기 획득한 데이터를 이용해서 주요 성능 변수를 계산하고, 상기 성능 변수를 ANN Classifier에 입력하여 도로노면 마찰 계수를 획득하게 한다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (2)

1. 차량 제동시에 차량에 장착된 센서로부터 얻은 종 방향속도, 휠 속도, 제동 신호를 기반으로 하여 기설정된 변수들의 평균값을 계산하는 단계;
   상기 변수들의 평균값들을 인공 신경망 분류 로직(ANN Classifier)을 통해 경향성을 학습하는 단계; 및
   상기 인공 신경망 분류 로직을 활용하여 마찰 계수를 추정하는 단계;를 포함하고,
   상기 기설정된 변수들의 평균값은 하기의 수식과 같은,
   종방향 차량속도 및 휠속도에 기반하여 인공 신경망 분류 로직을 이용한 도로노면 마찰계수 추정 방법.
   Ave_dV = Average[dV(t)/Vmax] for T0<t<T1......................(1)
   Ave_Slip(i) = Average[(Reff*W(i,t)-V(t))/max(Reff*W(t), V(t))] for T0<t<T1 ......................(1)
   여기에서, T0: 제동시작점, V(T0) : 제동시작점 속도, T1: 제동에 의해 차량속도(V(t))가 V(T0)의 60%가 되는 시점
2. 삭제

Images