KR20150138257A - 셀프-드라이빙 또는 부분적 셀프-드라이빙인 지상 차량을 제어하기 위한 장치 - Google Patents

셀프-드라이빙 또는 부분적 셀프-드라이빙인 지상 차량을 제어하기 위한 장치 Download PDF

Info

Publication number
KR20150138257A
KR20150138257A KR1020157030095A KR20157030095A KR20150138257A KR 20150138257 A KR20150138257 A KR 20150138257A KR 1020157030095 A KR1020157030095 A KR 1020157030095A KR 20157030095 A KR20157030095 A KR 20157030095A KR 20150138257 A KR20150138257 A KR 20150138257A
Authority
KR
South Korea
Prior art keywords
fuzzy
vehicle
apacc
control
output
Prior art date
Application number
KR1020157030095A
Other languages
English (en)
Other versions
KR102172986B1 (ko
Inventor
조지 존 프란고우
Original Assignee
매시브 애널리틱 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 매시브 애널리틱 리미티드 filed Critical 매시브 애널리틱 리미티드
Publication of KR20150138257A publication Critical patent/KR20150138257A/ko
Application granted granted Critical
Publication of KR102172986B1 publication Critical patent/KR102172986B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0006—Digital architecture hierarchy
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0029—Mathematical model of the driver
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres

Abstract

셀프-드라이빙 또는 부분적인 셀프-드라이빙인 지상 차량을 제어하기 위한 장치로서, 장치는 코어스 튜닝 어셈블리(1, 2, 3) 및 파인 튜닝 어셈블리(4)를 포함하며, 코어스 튜닝 어셈블리(1, 2, 3)는, a.속도와 제동을 포함하는 운동학적 파라미터들을 측정하는 센서 인터페이스(1),
b.차량의 안내, 내비게이션 및 제어를 모델링하기 위한 퍼지 디스크립션들, ―퍼지 디스크립션은, (ⅰ)운전자 거동 및 주행 동역학, (ⅱ)날씨, 도로 상태들 및 교통량을 비롯한 환경으로 인한 불확실성들, 및 (ⅲ)기계 및 전기 부품들을 포함하는 입력 결함들을 포함함―, 및 c.퍼지화, 추론, 및 출력 프로세싱을 포함하고, 감축 및 퍼지화해제 둘 모두의 타입을 포함하고, 그리고, 결과적으로 발생된 폐루프 시스템의 안정성을 제공하는 서브시스템들을 갖는 비선형 MIMO 시스템들(2)을 위한 적응형 퍼지 논리 제어기(3)를 포함하며, 적응형 퍼지 논리 제어기(3)는, (ⅰ)룰 베이스를 이용한 관계들 및 타입 리듀서에 대한 '퍼지 세트들'로서의 출력들을 식별하는 추론 엔진, 및 (ⅱ)신호를 '퍼지화하는' 퍼지화기에 대한 토크 액추에이터들을 포함하는 출력 제어 요구를 포함하고, 파인 튜닝 어셈블리(4)는, a.코어스 튜닝 어셈블리(1, 2, 3)로부터의 입력들, b.컴퓨팅되는 제어 시퀀스의 길이 및 최소화를 위해 목적 함수가 고려하는 향후의 샘플들이 몇 개일지를 결정하는 예지 구간들, c.'파인' 튜닝 파라미터들을 제공하는 각각의 시간 단계에서 적응형 퍼지 논리 제어기(3)로부터 추출된 비선형화 MIMO 회귀 모델, 및 d.(ⅰ)최적의 향후의 차량 안내, 내비게이션 및 제어 시퀀스를 컴퓨팅하는 APACC 합성(4b)으로 공급되는 크리스프(crisp) 출력 신호 및 (ⅱ)감축된 세트 출력 및 APACC 선형 논리 시스템으로 공급되는 APACC 합성(4b)을 제공하는 비선형 동적 선형화 회귀 제어기(4a)를 포함한다.

Description

셀프-드라이빙 또는 부분적 셀프-드라이빙인 지상 차량을 제어하기 위한 장치{APPARATUS FOR CONTROLLING A LAND VEHICLE WHICH IS SELF-DRIVING OR PARTIALLY SELF-DRIVING}
본 발명은 장치를 제어하는 것에 관한 것이며, 보다 구체적으로, 본 발명은 셀프-드라이빙 또는 부분적 셀프-드라이빙인 지상 차량을 제어하기 위한 장치에 관한 것이다.
셀프-드라이빙 또는 부분적 셀프-드라이빙 차량들의 실현은 인간 운전자의 관여 수준에 따라 복잡하다. 요건들은 차선 유지 및 경고 시스템들, 적응형 크루즈 제어, 백업 경고, 및 주차 보조의 지원을 포함한다. ADAS(Advanced driver assist systems), LIDAR(light detection and ranging) 및 실시간 차량 대 차량 통신에서의 DSRC(dedicated short-range communication)는 단지 개발 단계에서 알려진 기술들 중 일부이다. 이러한 기술들은, 차량이, 이미지로부터 실시간으로 임의의 상황의 3-차원적 기하학적 구조를 컴퓨팅하고 그들의 주변환경에 응답할 수 있게 하도록 설계된다. ADAS는 예를 들어, 진보된 센서들의 조합, 이를 테면, 액추에이터들, 제어 유닛들, 및 통합 소프트웨어와 결합된 스테레오 카메라들 및 장거리 및 단거리 RADAR를 사용한다.
지금까지, 이용가능한 센서들 및 인공 지능의 융합은, 인간이 할 수 있는 것처럼 정확하게 차량의 주변환경들을 "보고" 이해할 수 있지 않았다. 인공 지능은, 그 정도의 추론적 사고를 제공할 수도 없으며 환경과 실시간으로 통신할 수도 없다. 이러한 센서 및 연결 기술들의 융합이 결정을 하기 위해 이용가능한 입력들을 증가시키고 보다 섬세한 인공 지능에 대한 필요성을 감소시킬 것이라는 것이 이해되었다.
MPC(Model predictive control)는 차량의 자율 주행 시나리오들에서 매우 매력적인 것으로 간주되는 최적화-기반 제어 전략이다. 예를 들어, MPD 솔루션에 대하여, APACC는 센서, 운전자 거동 및 트래픽 데이터 및 모델 예측 제어기를 포함하는 데이터를 이용하여 연료 경제성을 증가시킨다.
안전한 셀프-드라이빙 차량들은 이미 확립되었다. 구글뿐만 아니라 전통적인 자동차제조업자들 및 공급업자들이 센서-기반 솔루션들을 이용하여 셀프-드라이빙 기능을 개발하였고 파이프라인에 수많은 새로운 응용들을 구비한다. 동시에, 자동차 및 첨단기술 회사들 및 USDOT를 포함한 다수의 기구들이, 충돌 방지 및 교통량 관리를 위한 연결형 차량 통신 기술들을 사용하기 위한 가능성에 초점을 맞추고 있다.
진보된 제어 방식들에 의해 지원되는 센서-기반 기술들 및 연결형-차량 통신들을 융합시키는 것이 참된 자율 차량을 가능하게 하기 위해서 필요로 된다. 그러나, 최근 5년 또는 그 정도에, 진보된 제어 방식들의 선형 모델 예측 제어(MPC)만이 차량 자율 주행에 사용되어 왔다. 모든 MPC 기술 뒤의 기본적인 아이디어는 목적 함수를 최소화함으로써 최적의 향후(future) 제어 시퀀스를 계산하는 플랜트 모델의 예측들에 의존하는 것이다. MPC 모델들은 제어 변수들, 조작 변수들 및 교란(disturbance)(섭동(perturbation)) 변수들을 포함한다. 각각의 샘플링 순간에, 최적화가 새로운 측정 데이터에 기초하여 수행되고, 시퀀스의 제 1 제어 입력이 적용된다. 시퀀스 중 나머지는 폐기되고 프로세스는 "이동 구간(receding horizon)" 방식으로 다음 샘플링 순간에서 반복된다.
MPC가 화학 프로세스 산업들에서 그 기원을 갖지만, 차선 유지 및 경고 시스템들, 적응형 크루즈 제어, 백업 경고들, 및 주차 보조의 지원을 포함한 차량 자율 주행에 대한 그 응용 분야에서 관심이 증가하고 있다. 본질적으로, MPC의 응용은, 유한적 제어 권한, 수동 안전성 및 충돌 방지와 같은 물리적인 그리고 운영 상의 제약들을 고려하는 한편, 최적화 온보드를 가져오고, 증가된 자율성과 재구성을 위한 자연 프레임워크를 제공함으로써 연료 및 시간 최적의 속도 계획의 아이디어들을 기반으로 구축된다. 또한, 공지되었던 다른 방식으로 할 수 없는 여행 계획과 같이 다른 개선점들이 가능하다.
일반화 예측 제어(GPC) 및 그 파생물은 특별한 관심을 받았다. 특히 불안정하거나 시간-지연식 MIMO 시스템에 간단한 방식으로 적용될 GPC의 능력 및 정적 모델들에 대한 적은 계산 요구들은 많은 다른 종류들의 작업들에 대해 유용하다. 예기치 않게 거동하는 시스템들, 인적 인자들, 실패들 및 환경은 비선형적인 플랜트 역학에 기여하는 모든 인자들이다. MPC에 따른 결점은 이 방법이 선형 모델들로 제한되지 않는다는 것이다. 비선형 역학들이 플랜트에 나타내어지는 경우, 선형 모델은 MPC 기술들이 적절히 기능하게 하는 충분한 예측들을 산출하지 않을 수 있다.
폐루프 식별에 대한 2가지 가장 일반적인 접근법들은 직접 접근과 간접 접근이다. 직접 접근은 피드백의 존재를 무시하고, 플랜트 입력과 출력 데이터에 의해 플랜트를 직접 식별한다. 이는, 제어 피드백의 타입에 대한 지식이나 또는 심지어 제어기의 선형성이 요구되지 않는다는 이점을 갖는다. 간접 접근법은 폐쇄 루프를 식별하고, 가능하다면 디컨벌루션에 의한 개루프 모델을 획득한다. 개루프 모델을 획득하는 것은 단지 제어기가 알려지고 폐루프 플랜트 모델과 제어기 둘 모두가 선형인 경우에만 가능하다.
다변수 MIMO(multi-input multi-output) 시스템들의 제어는 실제 차량 대 차량 그리고 차량에서 인프라구조로의 통신에서 흔한 문제이다. 접속식 차량 시스템들은 실시간으로 통신하는 무선 기술들을 사용한다. 대부분의 기존의 접근법들은, 액추에이터들의 정확한 모델이 이용가능하다고 가정하여 운전자의 거동과 환경 상의 불확실성에 대해서만 다루었다. 이러한 가정은 좀처럼 만족스럽지 않은데, 실제로, 액추에이터 파라미터들이 또한, 기계 및 전기 부품들 등과 같은 입력 결함들로 인해 불확실성들을 가질 수 있기 때문이다. 이러한 불확실성이 제어기 성능을 상당히 저하시킨다 하더라도, 액추에이터 불확실성에 따른 적응형 제어는 고려되지 않는다.
본 발명의 목적은 상기 언급된 문제점들을 감소시키는 것이다.
그에 따라, 본 발명의 하나의 비제한적인 실시형태에서, 셀프-드라이빙 또는 부분적인 셀프-드라이빙인 지상 차량을 제어하기 위한 장치가 제공되며, 이 장치는 코어스(coarse) 튜닝 어셈블리 및 파인(fine) 튜닝 어셈블리를 포함하며,
이 코어스 튜닝 어셈블리는,
a.속도와 제동을 포함하는 운동학적 파라미터들을 측정하는 센서 인터페이스,
b.차량의 안내, 내비게이션 및 제어를 모델링하기 위한 퍼지 디스크립션들,
―이 퍼지 디스크립션은,
(ⅰ)운전자 거동 및 주행 동역학,
(ⅱ)날씨, 도로 상태들 및 교통량을 비롯한 환경으로 인한 불확실성들, 및
(ⅲ)기계 및 전기 부품들을 포함하는 입력 결함들을 포함함―, 및
c.퍼지화, 추론, 및 출력 프로세싱을 포함하고, 감축 및 퍼지화해제 둘 모두의 타입을 포함하고, 그리고, 결과적으로 발생된 폐루프 시스템의 안정성을 제공하는 서브시스템들을 갖는 비선형 MIMO 시스템들을 위한 적응형 퍼지 논리 제어기를 포함하며,
이 적응형 퍼지 논리 제어기는,
(ⅰ)룰 베이스를 이용하여 관계들을 식별하고 '퍼지 세트들'로서의 출력들을 타입 리듀서로 식별하는 추론 엔진, 및
(ⅱ)토크 액추에이터들이 제어 요구를 출력하는, 신호를 '퍼지화하는' 퍼지화기를 포함하고,
이 파인 튜닝 어셈블리는,
a.코어스 튜닝 어셈블리로부터의 입력들,
b.컴퓨팅되는 제어 시퀀스의 길이 및 최소화를 위해 목적 함수가 고려하는 향후의 샘플들이 몇 개일지를 결정하는 예지 구간들,
c.'파인' 튜닝 파라미터들을 제공하는 각각의 시간 단계에서 적응형 퍼지 논리 제어기로부터 추출된 비선형화 MIMO 회귀 모델, 및
d.(ⅰ)최적의 향후 차량 안내, 내비게이션 및 제어 시퀀스를 컴퓨팅하는 APACC 합성으로 공급되는 크리스프(crisp) 출력 신호, 및
(ⅱ)출력된 감축된 세트 및 APACC 선형 논리 시스템으로 공급되는 APACC 합성
을 제공하는 비선형 동적 선형화 회귀 제어기를 포함한다.
장치는, 입력 신호 대 출력 신호들을 최적화하고 그리고 차량의 향후 안정화 출력 파라미터들을 예측하는 캐스케이드식 DFS(diophantine frequency synthesis) 수단을 포함하는 동기화 어셈블리를 포함하는 것일 수 있다.
시스템 식별을 위한 신경망들의 사용은, 퍼지 논리에 관한 한 상대적으로 새로운 접근법이다.
본 발명의 장치는 APACC(artificial precognition (AP) using adaptive (model) cognized control)를 제공하는 것으로 간주될 수 있다. APACC는 MPC(model predictive control)를 개선시킨다. 매우 복잡한 알고리즘을 사용하여, APACC는 상당한 수준의 추론적 사고와 실시간 통신을 제공한다. 이용가능한 센서들의 융합에 따라, APACC는 외부 환경의 진정한 '지각'을 제공하는 차량의 주변환경들을 "인식하는" 능력을 제공한다. 이는, 인간이 가능성 있는 시나리오들을 발생시키고 예측(인식)함에 따라 인간이 저장된 메모리들과 센서 입력의 조합을 이용하여 이벤트들을 해석하는 방식을 모방하는 식의 어떤 방법으로 나아감으로써 지금까지 가능했던 것을 훨씬 능가한다.
이제, 본 발명의 실시형태들은, 단지 예시의 방식으로써 그리고 첨부된 도면들을 참고로 하여 설명될 것이다.
도 1은 차량 자율 주행에 있어서의 APACC를 도시한다.
도 2는 차량 자율 주행에 있어서 APACC를 이용한 인공적인 예지를 위한 컴퓨터 하드웨어 코어 시스템을 도시한다.
도 3은 차량 자율 주행에 있어서 APACC를 위한 Intel®Xeon® 프로세서 고성능 컴퓨팅을 도시한다.
도면들을 참고하면, 비선형 차량 자율 주행 역학은 고도의 비선형성을 갖는 '퍼지'를 특징으로 할 수 있다. APACC는, 각각의 샘플링 순간에 퍼지 논리 회로의 '인식된' 출력(도 2의 퍼지화기)을 지닌 비선형 모델의 즉각적인 선형화를 제공한다. 퍼지 논리 회로 출력의 즉각적인 선형화가 적응형 선형 회귀 모델을 산출하는 것을 제외하고 대부분의 양상들에서 GPC와 유사하다.
퍼지 논리의 핵심 이점은, 이것이 설계자로 하여금 단순한 'if-then' 관계들을 갖는 원하는 시스템 거동을 기술하게 한다는 것이다. 많은 응용들에서, 이는 더 적은 설계 시간으로 더욱 단순한 솔루션을 얻는다. 이외에도, 설계자는 모든 이용가능한 엔지니어링 노하우를 사용하여 시스템 성능을 직접적으로 최적화시킬 수 있다. 이것은 확실히 퍼지 논리의 미인 한편, 이것은 또한 큰 한계를 지니고 있었다. 많은 응용들에서, 원하는 시스템 거동을 기술하는 지식이 데이터 세트들에 포함된다. 여기서, 설계자는 데이터 세트들로부터 'if-then' 규칙들을 수동으로 유도했었고, 이는 대량의 데이터 세트들과 함께 큰 노력을 요구한다. 데이터 세트들이 설계될 시스템에 대한 지식을 포함할 경우, 신경망은, 이것이 데이터 세트들로부터 그 자신을 트레이닝할 수 있기 때문에 솔루션을 약속한다.
신경망들이 데이터 세트들로부터의 학습에 의한 유리한 점이 있는 한편, 이들은 고유의 단점을 갖는데; 예를 들어, 특정 거동에 대한 원인이 해석되지 못할 수도 있고, 특정한 원하는 거동에 대한 변경을 위해 신경망이 수동으로 변경되지 못할 수도 있다. 또한, 적절한 망 모델의 선택과 학습 알고리즘의 파라미터들의 셋팅이 곤란하고 많은 경험을 요구한다. 반면에, 퍼지 논리 솔루션들은 확인하고 최적화하는 것이 용이하다. 본 발명은, 플랜트 역학을 즉각적으로 예측하기 위해서 이러한 기능을 수동으로 수행할 필요성을 제거하는 규칙 도출을 자동화하는 퍼지 논리 제어기를 이용한다.
퍼지 제어 방법론들은 비선형 제어 문제들에 접근하기 위한 방법들을 약속하기 때문에 최근 몇 년 동안 부상하고 있다. 특히, 퍼지 제어는 비선형 제어 문제들에 대한 경험적 제어 지식을 사용하는 것을 제공하는 단순한 접근법 때문에 제어 커뮤니티에 영향을 미쳤다. 플랜트 파라미터들이 교란되는 매우 복잡한 상황들에서, 또는 시스템들의 역학이 매우 복잡할 경우, 적응 방식들은 데이터를 수집하고 제어 파라미터들을 자동으로 조정하기 위해 온라인으로 사용되어야 한다. 그러나, 이러한 적응형 접근법들을 위해 지금까지 안정성 조건들이 제공되지 않았다. APACC는 그의 적응형 퍼지 제어 방식에 2개의 컴포넌트들을 도입한다. 하나는 코어스 튜닝을 위한 퍼지 논리 시스템이다. 다른 하나는 적응형 선형 모델을 산출하는 퍼지 논리 회로 출력의 즉각적인 선형화이다. 이는, 강인한 보상기, 이를 테면, 파인 튜닝을 위한, 감시 제어, 슬라이딩-모드 제어의 일 종류로서 작용한다.
최근에, 몇 가지 안정한 적응형 퍼지 제어 방식들이 MIMO(multiple-input-multiple-output) 비선형 시스템들에 대해 개발되었다. 그러나, 이러한 적응형 제어 기술들은 단지, 그의 상태들이 측정을 위해 이용가능하게 되도록 가정되는 MIMO 비선형 시스템들로만 제한된다. 많은 실제 상황들에서, 상태 변수들이 종종 비선형 시스템들에서 이용가능하지 않다. 이와 같이, 출력 피드백 또는 APACC 적응형 퍼지 제어는 이러한 복잡화된 응용들을 위해 필요하다. 퍼지 제어 시스템은 MIMO 시스템을 제어하고 시스템 안정성을 유지시킨다. 코어스 및 파인 튜닝은, 외부 교란의 충격을 감소시키고, 폐루프 안정성을 보장함으로써 시스템 성능을 개선한다.
APACC 코어스 및 파인 튜닝은 지상 차량, 예를 들어, 자동차의 전적 또는 부분적 자율 주행을 제어하기 위해 적용된다. 이들은, 가능성 있는 3D 장면 구성들/운동학적/액추에이터 파라미터들을 즉각적으로 인식하기 위해서, 3D 장면 재구성; 운동학적 변수들, 이를 테면, 속도, 제동 및 타이어 센서들 및 액추에이터 입력 불확실성들에 의해 제공된 것들에 적용된다.
차량 자율 주행에 적용되는 비적응형 수동적 방법들은 '선형'(예를 들어, 운동학적 용어)의 그리고 또한 '비선형'의 불확실성들(예를 들어, 운전자 거동, 환경, 기계 및 전기 부품들의 입력 오류들)과 액추에이터들의 정확한 모델이 이용가능하다는 것을 가정한다.
도 1에 도시된 바와 같이 개략적으로 3개의 레벨들이 존재한다. 도 1에 도시된 차량 대 차량 그리고 차량 대 인프라스트럭처 기술들로 차량 내의 카메라, 센서들, ADAS LIDAR 및 DSRC는 특정한 실시간 차량 데이터를 생성한다. 이러한 차량 데이터는 액추에이터들, 제어 유닛들, 및 통합 소프트웨어와 결합되어, 차들이 그들의 주변환경들을 모니터링하고 이것에 응답할 수 있게 한다. 3D 또는 스테레오 카메라들을 이용하는 이러한 센서-기반, 운전자-보조 솔루션들은 이것이 보는 이미지들로부터 실시간으로 차량의 전면에 어떤 상황의 3차원적 기하학적 구조를 컴퓨팅할 수 있다. 차량 데이터는 실시간으로, 운전자 거동, 고성능 컴퓨팅(HPC) 데이터 센터에 저장된 환경적인(예를 들어, 날씨, 도로 상태, 교통량) 맵들 및 이미지들과 결합된다. 이는 외부 환경의 '지각'을 제공한다; 이용가능한 센서들 및 APACC의 융합은 차량의 주변환경들을 '인식하는' 능력을 제공한다. 이는, 인간이, 이들이 가능성 있는 시나리오들을 발생시키고 예상함에 따라 이벤트들을 해석하기 위해 저장된 메모리들과 센서 입력들의 조합을 이용하는 방식을 시뮬레이팅한다. 매우 복잡한 알고리즘들을 이용하여, APACC는 추론적 사고와 실시간 통신의 수준을 제공한다.
도 2는 APACC가 차량 자율 주행을 위해 사용되는 방법을 도시한다. 차량 역학들의 제어에 있어서의 설계는 (1)차량들 전류 역학의 센서 측정들 및 (2)원하는 역학의 사양에 기초하여 액추에이터들을 명령하기 위한 알고리즘들, 액추에이터들 및 센서들을 요구한다.
전적 그리고 부분적 자율 차량은 APACC의 응용의 결과로서 자동 동적 모션에 대응하는 출력을 갖는다. 인공 예지를 위한 필수 컴포넌트들이 서브시스템들로서 도 2에 도시된 고성능 컴퓨터 하드웨어 코어 시스템 데이터 센터 구현(1) 내부에 임베딩된다. 코어 시스템의 상세한 구현이 도 2에 도시된다. 입력들은 차량에 대한 교란들을 포함한다. 입력들은 운동학적 변수들, 이를 테면, 속도, 제동 및 타이어 센서들과 액추에이터 입력 불확실성들에 의해 제공된 것들을 비롯하여 상당히 많은 변수들을 포함할 것이다. 입력/출력이 도 2에 도시된 바와 같이 다변수 MIMO(multi-input multi-output) 서브시스템(2)에 의해 관리된다. 센서 델타들은, 피드백 측정(피드백 엘리먼트들)을 포함하는 순차적인 제어 프로세스를 통해 센서들에 의해 그리고 입력 신호와 출력 신호 간의 차를 비교하는 비교기에 의해 측정된다. MIMO 서브시스템(2)은, 비교기에서 입력 신호로 추가되는 세트 포인트들을 이용하여 상이한 운영 상태들에 대해 구동된다. 실제 여기 신호 진폭은, 각각의 세트 포인트를 중심으로 최대 여기를 보장하기 위해서 가능한 한 커야 한다. APACC는 실제 출력과 인식된 (가능성 있는 그리고 개연성 있는) 출력들(예를 들어, 스로틀 제어 및 조향) 사이의 에러를 즉각적으로 보상하여 자동차 역학 안정성을 제공한다. 이러한 에러는, 제어 출력들을 액추에이터들로 제공하는 제어기로 공급되는 것으로 MIMO 서브시스템(2)에 도시된다. 센서 액추에이터는 차량 방향 또는 속도를 변경하기 위해 필요로 되는 기계적 동작을 적용한다.
도 2에 도시된 적응형 퍼지 논리 제어기(3)에 의해 코어스 튜닝이 제공된다. 차동차 안내, 내비게이션 및 제어를 모델링하기 위해 퍼지 디스크립션들을 이용하여 외부 교란들을 수반하는 비선형 MIMO 시스템들이 개발되었다. 적응형 퍼지 논리 제어기는 퍼지화, 추론, 및 출력 프로세싱의 동작들을 수반하는 Type-2 퍼지 논리 시스템이다. 센서 액추에이터들은 신호를 '퍼지화하는' 퍼지화기에 제어 요구를 출력한다. 밀접하게 상관되는 입력들 내부에 변수들(상기 언급됨)이 존재하고, 이들은 높은(high) 상호 정보를 구비할 것이다. 그러나, 낮은 상관을 갖지만 높은 상호 정보를 갖는 관련되는 변수들의 다른 쌍들이 존재한다. 코어스 튜닝은 근본적으로, 거의 즉각적인 동적 수정을 가능하게 할 수 있게 인식 프로세스를 가속화한다. 추론 엔진은 룰 베이스를 이용하여 이러한 관계들을 식별하고 이들을 '퍼지 세트들'로서 타입 리듀서로 출력한다. 적응형 퍼지 논리 제어기는 "출력 프로세싱"을 제공하고 타입 감축 및 퍼지화해제 둘 모두를 포함한다.
타입 감축(감축 세트)는 퍼지화해제된 값(크리스프(crisp) 수)보다 규칙 불확실성들에 대해 더 많은 정보를 캡처하지만, 이는 계산 집약적이다. 이점은, 예상하지 못한 교란들-데이터 불확실성들을 인식할 수 있다는 것이다. 적응형 퍼지 제어기는 성공적인 제어를 수행할 수 있고, 결과적인 폐루프 시스템의 전반적인 안정성과 추적 성능이 달성될 수 있다는 것을 보증한다.
적응적 퍼지 논리 제어기 출력 프로세싱은 도 2에 도시된 비선형 동적 선형화된 회귀 제어기(4)로 공급되며, 이는 파인 튜닝을 제공하며, 크리스프 출력 신호는 APACC 합성에 공급된다. 감축 세트 출력과 APACC 합성이 APACC 선형 논리 시스템으로 공급된다. 각각의 시간 단계에서 퍼지 논리 제어기로부터 추출되는 선형화된 MIMO 회귀 모델이 '파인' 튜닝 파라미터들을 제공하기 위해 사용된다. 비선형 동적 선형화된 회귀 제어기는 목적 함수에 따라서 최적의 향후 안내, 내비게이션 및 제어 시퀀스를 컴퓨팅한다. 2개의 "예지 구간들"은, 컴퓨팅되는 제어 시퀀스의 길이 및 최소화를 위해 목적 함수가 고려하는 향후의 샘플들이 몇 개일지를 결정한다. 대부분의 MPC 방법들에서 흔한 바와 같이, 이동 구간 전략이 사용되고, 따라서 컴퓨팅되는 제 1 제어 신호만이 루프 폐쇄를 달성하기 위해서 차량 시스템들에 실제로 적용된다.
입력 신호 대 출력 신호들의 동기화 최적화는 2개 또는 그보다 많은 위상 고정 루프들(PLL)을 이용하여 구현되는 캐스케이드식 DFS(diophantine frequency synthesis)를 이용하여 달성된다. DFS는 도 2의 DFS(5)이다. DFS(5)는, 연속-시간, 유한-차원의, 시변 그리고 비선형 시스템들의 향후 출력들을 예측하기 위해 사용된다. 그의 주요 기능은 차량 안정화 인자들을 파라미터화하고 이들을 연속 피드백 루프에 잠금하는 것이다.
지상 차량의 GNC(guidance, navigation and control)에 대한 APACC는 거대한 데이터 볼륨들의 거의 즉각적인 분석을 요구한다. 이를 달성하기 위해서, Intel®로부터의 컨베이 HPC(high performance computing) 아키텍처가 APACC 차량 자율 주행을 위해 선택되었다. 컨베이 컴퓨터의 접근법은 메모리에 대한 랜덤 액세스에 대해 매우 고속의 액세스를 제공하고, APACC에 사용된 복잡한 기능들을 위해 매우 유용하다.
아키텍처는 도 3에 도시된 Intel® Xeon® 프로세서에 기초한다. 아키텍처는 성능을 더욱 증가시키기 위해 고도의 병렬 메모리 서브시스템을 특징으로 한다. "즉시" 프로그램가능한 FPGA들은 하드웨어-기반의, 특수용도의(application-specific) 성능을 달성하기 위한 방식이다. 예를 들어, 특정한 APACC-GNC 알고리즘들은, 런타임 시에 FPGA들로 로딩되는 코드로 최적화되고 트랜슬레이팅된다.
차량 대 차량 그리고 차량 대 인프라스트럭처 기술들로 차량 내의 카메라, 센서들, ADAS LIDAR 및 DSRC는, 전적인 또는 부분적인 차량 자율 주행을 위한 APACC로의 입력들을 나타낸다.
APACC 어셈블리는,
a.차량 역학을 측정하는 센서들:
(ⅰ)입력 표면들이 차량 교란들에 국부적으로 노출되고, 그리고
(ⅱ)입력 파라미터들이 운동학적 그리고 타이어 센서들 및 액추에이터 입력 불확실성들에 의해 제공된 것들
b.차량 벡터들을 변경하기 위한 조향, 스로틀 및 제동을 포함하는 동작들을 적용하는 액추에이터, 및
c.(1)현재 벡터의 센서 측정들 및 (2)원하는 벡터의 사양들에 기초하여 액추에이터들을 명령하는 알고리즘
을 포함한다.
APACC는, 인간이 가능성 있는 시나리오들을 발생시키고 예측(인식)함에 따라 인간이 저장된 메모리들과 센서 입력의 조합을 이용하여 이벤트들을 해석하는 방식을 모방한다.
다변수 MIMO(multi-input multi-output) 서브시스템(2)은, 피드백을 측정하는 순차적인 제어 프로세스를 본질적으로 포함하는 센서 어셈블리 및 입력 신호와 출력 신호 간의 차이를 비교하는 비교기를 포함한다. MIMO 서브시스템(2)은 다음과 같이 동작한다.
a.MIMO 서브시스템(2)은 비교기에서 입력 신호에 추가되는 세트 포인트들을 이용하여 상이한 동작 상태들로 구동된다.
b. APACC는 자동차 역학 안정성을 제공하는 조향과 스로틀 제어를 포함하는 인식된(가능성 있는 그리고 개연성 있는) 출력과 실제 출력 사이의 에러를 즉각적으로 보상한다.
c. 각각의 세트 포인트를 중심으로 최대 여기를 보장하기 위해서, 실제 여기 신호 진폭이 최대화된다.
d.차량 방향 또는 속도를 변경하기 위해 필요로 되는 기계적 동작을 제공하는 센서 액추에이터들로 제어 출력들을 제공하는 제어기로 에러가 공급된다.
고성능 컴퓨팅(HPC) 아키텍처는, 자동차 안내, 내비게이션 및 제어를 위해 거대한 데이터 볼륨들의 거의 즉각적인 분석을 위해 메모리에 대한 랜덤 액세스에 대해 매우 고속의 액세스를 제공한다.
첨부된 도면들을 참고로 하여 상술된 본 발명의 실시형태들은 예시의 방식으로 그리고 첨부된 도면들을 참고로하여 주어졌다는 것을 인식한다. 도면들에 도시된 개별 컴포넌트들은 그들의 도면들에서 사용하도록 제한되지 않으며, 이들은 본 발명의 다른 도면들에서 그리고 모든 양상들에서 사용될 수 있다.

Claims (2)

  1. 셀프-드라이빙 또는 부분적인 셀프-드라이빙인 지상 차량을 제어하기 위한 장치로서,
    코어스(coarse) 튜닝 어셈블리 및 파인(fine) 튜닝 어셈블리를 포함하며,
    상기 코어스 튜닝 어셈블리는,
    a.속도와 제동을 포함하는 운동학적 파라미터들을 측정하는 센서 인터페이스,
    b.차량의 안내, 내비게이션 및 제어를 모델링하기 위한 퍼지 디스크립션들,
    ―상기 퍼지 디스크립션들은,
    (ⅰ)운전자 거동 및 주행 동역학,
    (ⅱ)날씨, 도로 상태들 및 교통량을 비롯한 환경으로 인한 불확실성들, 및
    (ⅲ)기계 및 전기 부품들을 포함하는 입력 결함들을 포함함―, 및
    c.퍼지화, 추론, 및 출력 프로세싱을 포함하고, 감축 및 퍼지화해제 둘 모두의 타입을 포함하고, 그리고, 결과적으로 발생된 폐루프 시스템의 안정성을 제공하는 서브시스템들을 갖는 비선형 MIMO 시스템들을 위한 적응형 퍼지 논리 제어기를 포함하며,
    상기 적응형 퍼지 논리 제어기는,
    (ⅰ)룰 베이스를 이용하여 관계들을 식별하고 '퍼지 세트들'로서의 출력들을 타입 리듀서로 식별하는 추론 엔진, 및
    (ⅱ)토크 액추에이터들이 제어 요구를 출력하는, 신호를 '퍼지화하는' 퍼지화기를 포함하고,
    상기 파인 튜닝 어셈블리는,
    a.상기 코어스 튜닝 어셈블리로부터의 입력들,
    b.컴퓨팅되는 제어 시퀀스의 길이 및 최소화를 위해 목적 함수가 고려하는 향후의 샘플들이 몇 개일지를 결정하는 예지 구간들,
    c.'파인' 튜닝 파라미터들을 제공하는 각각의 시간 단계에서 상기 적응형 퍼지 논리 제어기로부터 추출된 비선형화 MIMO 회귀 모델, 및
    d.(ⅰ)최적의 향후 차량 안내, 내비게이션 및 제어 시퀀스를 컴퓨팅하는 APACC 합성으로 공급되는 크리스프(crisp) 출력 신호, 및
    (ⅱ)감축된 세트 출력 및 상기 APACC 선형 논리 시스템으로 공급되는 APACC 합성을
    제공하는 비선형 동적 선형화 회귀 제어기를 포함하는, 셀프-드라이빙 또는 부분적인 셀프-드라이빙인 지상 차량을 제어하기 위한 장치.
  2. 제 1 항에 있어서,
    상기 입력 신호 대 상기 출력 신호들을 최적화하고 그리고 상기 차량의 향후 안정화 출력 파라미터들을 예측하는 캐스케이드식 DFS(diophantine frequency synthesis) 수단을 포함하는 동기화 어셈블리를 포함하는, 셀프-드라이빙 또는 부분적인 셀프-드라이빙인 지상 차량을 제어하기 위한 장치.
KR1020157030095A 2013-03-19 2014-03-11 셀프-드라이빙 또는 부분 셀프-드라이빙되는 지상 차량을 제어하기 위한 장치 KR102172986B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1305067.9 2013-03-19
GBGB1305067.9A GB201305067D0 (en) 2013-03-19 2013-03-19 Apparatus for controlling a land vehicle which is self-driving or partially self-driving
PCT/GB2014/000088 WO2014147361A1 (en) 2013-03-19 2014-03-11 Apparatus for controlling a land vehicle which is self-driving or partially self-driving

Publications (2)

Publication Number Publication Date
KR20150138257A true KR20150138257A (ko) 2015-12-09
KR102172986B1 KR102172986B1 (ko) 2020-11-02

Family

ID=48226706

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020157030095A KR102172986B1 (ko) 2013-03-19 2014-03-11 셀프-드라이빙 또는 부분 셀프-드라이빙되는 지상 차량을 제어하기 위한 장치

Country Status (8)

Country Link
US (1) US9645576B2 (ko)
EP (1) EP2976240B1 (ko)
JP (1) JP6444977B2 (ko)
KR (1) KR102172986B1 (ko)
CN (1) CN105189237B (ko)
GB (1) GB201305067D0 (ko)
IL (1) IL241688B (ko)
WO (1) WO2014147361A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101897407B1 (ko) * 2017-06-14 2018-10-18 국방과학연구소 무인차량의 자율주행을 위한 적응적 동역학 모델 기반 최적 경로계획 방법 및 그 장치
KR20210132280A (ko) * 2020-04-24 2021-11-04 한국철도기술연구원 가상 열차 편성을 위한 간격제어기 설계방법

Families Citing this family (70)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10599155B1 (en) 2014-05-20 2020-03-24 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
US9754325B1 (en) * 2014-05-20 2017-09-05 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
US9616773B2 (en) 2015-05-11 2017-04-11 Uber Technologies, Inc. Detecting objects within a vehicle in connection with a service
US10379007B2 (en) * 2015-06-24 2019-08-13 Perrone Robotics, Inc. Automated robotic test system for automated driving systems
US9869560B2 (en) 2015-07-31 2018-01-16 International Business Machines Corporation Self-driving vehicle's response to a proximate emergency vehicle
US9483948B1 (en) 2015-08-07 2016-11-01 International Business Machines Corporation Automated control of interactions between self-driving vehicles and pedestrians
US9785145B2 (en) 2015-08-07 2017-10-10 International Business Machines Corporation Controlling driving modes of self-driving vehicles
CN105059288B (zh) * 2015-08-11 2017-10-20 奇瑞汽车股份有限公司 一种车道保持控制系统及方法
US9721397B2 (en) 2015-08-11 2017-08-01 International Business Machines Corporation Automatic toll booth interaction with self-driving vehicles
US9718471B2 (en) 2015-08-18 2017-08-01 International Business Machines Corporation Automated spatial separation of self-driving vehicles from manually operated vehicles
US9481366B1 (en) 2015-08-19 2016-11-01 International Business Machines Corporation Automated control of interactions between self-driving vehicles and animals
US9896100B2 (en) 2015-08-24 2018-02-20 International Business Machines Corporation Automated spatial separation of self-driving vehicles from other vehicles based on occupant preferences
US9731726B2 (en) 2015-09-02 2017-08-15 International Business Machines Corporation Redirecting self-driving vehicles to a product provider based on physiological states of occupants of the self-driving vehicles
US9513632B1 (en) 2015-09-16 2016-12-06 International Business Machines Corporation Driving mode alerts from self-driving vehicles
US9566986B1 (en) 2015-09-25 2017-02-14 International Business Machines Corporation Controlling driving modes of self-driving vehicles
US9481367B1 (en) 2015-10-14 2016-11-01 International Business Machines Corporation Automated control of interactions between self-driving vehicles and animals
US9834224B2 (en) 2015-10-15 2017-12-05 International Business Machines Corporation Controlling driving modes of self-driving vehicles
US9751532B2 (en) 2015-10-27 2017-09-05 International Business Machines Corporation Controlling spacing of self-driving vehicles based on social network relationships
US9944291B2 (en) 2015-10-27 2018-04-17 International Business Machines Corporation Controlling driving modes of self-driving vehicles
US10607293B2 (en) 2015-10-30 2020-03-31 International Business Machines Corporation Automated insurance toggling for self-driving vehicles
US10176525B2 (en) 2015-11-09 2019-01-08 International Business Machines Corporation Dynamically adjusting insurance policy parameters for a self-driving vehicle
US9791861B2 (en) 2015-11-12 2017-10-17 International Business Machines Corporation Autonomously servicing self-driving vehicles
US10061326B2 (en) 2015-12-09 2018-08-28 International Business Machines Corporation Mishap amelioration based on second-order sensing by a self-driving vehicle
US10712160B2 (en) 2015-12-10 2020-07-14 Uatc, Llc Vehicle traction map for autonomous vehicles
US9841763B1 (en) 2015-12-16 2017-12-12 Uber Technologies, Inc. Predictive sensor array configuration system for an autonomous vehicle
US9840256B1 (en) 2015-12-16 2017-12-12 Uber Technologies, Inc. Predictive sensor array configuration system for an autonomous vehicle
DE102016000493B4 (de) 2016-01-19 2017-10-19 Audi Ag Verfahren zum Betrieb eines Fahrzeugsystems und Kraftfahrzeug
US9836973B2 (en) 2016-01-27 2017-12-05 International Business Machines Corporation Selectively controlling a self-driving vehicle's access to a roadway
US10239529B2 (en) 2016-03-01 2019-03-26 Ford Global Technologies, Llc Autonomous vehicle operation based on interactive model predictive control
US9990548B2 (en) 2016-03-09 2018-06-05 Uber Technologies, Inc. Traffic signal analysis system
US10685391B2 (en) 2016-05-24 2020-06-16 International Business Machines Corporation Directing movement of a self-driving vehicle based on sales activity
WO2017211395A1 (en) * 2016-06-07 2017-12-14 Toyota Motor Europe Control device, system and method for determining the perceptual load of a visual and dynamic driving scene
ES2833674T3 (es) * 2016-06-08 2021-06-15 Uisee Tech Beijing Ltd Método y aparato de planificación de velocidad y aparato de cálculo para la conducción automática de un vehículo
US10474162B2 (en) 2016-07-01 2019-11-12 Uatc, Llc Autonomous vehicle localization using passive image data
US10571913B2 (en) * 2016-08-05 2020-02-25 Aptiv Technologies Limited Operation-security system for an automated vehicle
US10713642B2 (en) * 2016-08-05 2020-07-14 Denso International America, Inc. System and method for selecting a parking space using a mobile device
US10438493B2 (en) 2016-08-24 2019-10-08 Uber Technologies, Inc. Hybrid trip planning for autonomous vehicles
US10095230B1 (en) 2016-09-13 2018-10-09 Rockwell Collins, Inc. Verified inference engine for autonomy
US10093322B2 (en) 2016-09-15 2018-10-09 International Business Machines Corporation Automatically providing explanations for actions taken by a self-driving vehicle
US10643256B2 (en) 2016-09-16 2020-05-05 International Business Machines Corporation Configuring a self-driving vehicle for charitable donations pickup and delivery
CN115343947A (zh) * 2016-09-23 2022-11-15 苹果公司 自主车辆的运动控制决策
US10452068B2 (en) 2016-10-17 2019-10-22 Uber Technologies, Inc. Neural network system for autonomous vehicle control
US10296001B2 (en) 2016-10-27 2019-05-21 Uber Technologies, Inc. Radar multipath processing
CN106323633A (zh) * 2016-10-28 2017-01-11 华中科技大学 一种基于指令域分析的进给轴装配故障的诊断方法
US10259452B2 (en) 2017-01-04 2019-04-16 International Business Machines Corporation Self-driving vehicle collision management system
US10363893B2 (en) 2017-01-05 2019-07-30 International Business Machines Corporation Self-driving vehicle contextual lock control system
US10529147B2 (en) 2017-01-05 2020-01-07 International Business Machines Corporation Self-driving vehicle road safety flare deploying system
US10254121B2 (en) 2017-01-23 2019-04-09 Uber Technologies, Inc. Dynamic routing for self-driving vehicles
US10152060B2 (en) 2017-03-08 2018-12-11 International Business Machines Corporation Protecting contents of a smart vault being transported by a self-driving vehicle
EP3404497B1 (en) * 2017-05-15 2021-11-10 Siemens Aktiengesellschaft A method and system for providing an optimized control of a complex dynamical system
US20170274908A1 (en) * 2017-06-12 2017-09-28 Xiaoning Huai Personalize self-driving cars
US10597028B2 (en) * 2017-06-14 2020-03-24 GM Global Technology Operations LLC Systems and methods for holistic vehicle control with collaborative steering, electronic limited slip differential (ELSD), powertrain and braking
WO2019000391A1 (zh) * 2017-06-30 2019-01-03 华为技术有限公司 车辆的控制方法、装置及设备
KR102342143B1 (ko) * 2017-08-08 2021-12-23 주식회사 만도모빌리티솔루션즈 딥 러닝 기반 자율 주행 차량, 딥 러닝 기반 자율 주행 제어 장치 및 딥 러닝 기반 자율 주행 제어 방법
JP7060080B2 (ja) * 2017-09-22 2022-04-26 日本電気株式会社 組み合わせ制御システム、組み合わせ制御方法、および、組み合わせ制御プログラム
DE102017217256A1 (de) * 2017-09-28 2019-03-28 Zf Friedrichshafen Ag Kommunikationsfluss von Verkehrsteilnehmer in Richtung eines automatisiert fahrenden Fahrzeug
US10989538B2 (en) 2017-12-15 2021-04-27 Uatc, Llc IMU data offset compensation for an autonomous vehicle
CN108303982B (zh) * 2018-01-31 2021-11-30 深圳力子机器人有限公司 自动引导运输车、其控制方法及控制系统
US11334753B2 (en) 2018-04-30 2022-05-17 Uatc, Llc Traffic signal state classification for autonomous vehicles
US20200089229A1 (en) * 2018-09-18 2020-03-19 GM Global Technology Operations LLC Systems and methods for using nonlinear model predictive control (mpc) for autonomous systems
DE102018217325A1 (de) * 2018-10-10 2020-04-16 Robert Bosch Gmbh Verfahren zum Beeinflussen einer Fahrdynamik eines Fahrzeugs und Fahrdynamikregler
CN111338333B (zh) * 2018-12-18 2021-08-31 北京航迹科技有限公司 用于自动驾驶的系统和方法
US10955853B2 (en) 2018-12-18 2021-03-23 Beijing Voyager Technology Co., Ltd. Systems and methods for autonomous driving
AU2020217804A1 (en) * 2019-02-07 2021-08-19 2 Circle, Inc. Reconstruction and assessment of proficiency in an integrated debrief by a server in a network
US20200310449A1 (en) * 2019-03-26 2020-10-01 GM Global Technology Operations LLC Reasoning system for sensemaking in autonomous driving
US11560146B2 (en) * 2019-03-26 2023-01-24 Ford Global Technologies, Llc Interpreting data of reinforcement learning agent controller
CN110554683B (zh) * 2019-09-09 2020-12-18 北京航天自动控制研究所 一种周期性控制过程中多模态自适应动态激励添加方法
US11314258B2 (en) * 2019-12-27 2022-04-26 Intel Corporation Safety system for a vehicle
US11492008B2 (en) * 2020-02-21 2022-11-08 Baidu Usa Llc Model reference adaptive control algorithm to address the vehicle actuation dynamics
CN112634619B (zh) * 2020-12-22 2022-04-29 南京航空航天大学 基于自适应遗传算法的二型模糊单交叉口控制方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05303406A (ja) * 1992-04-28 1993-11-16 Hitachi Ltd 定性推論予測制御方法
JP2008129804A (ja) * 2006-11-20 2008-06-05 Toyota Motor Corp 走行制御計画生成システム及びコンピュータプログラム
JP2009214786A (ja) * 2008-03-12 2009-09-24 Honda Motor Co Ltd 車両走行支援装置、車両、車両走行支援プログラム
JP2012030659A (ja) * 2010-07-29 2012-02-16 Denso Corp 状況適合型運転支援装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02214492A (ja) * 1989-02-13 1990-08-27 Hitachi Ltd リニアシンクロナスモータの速度制御装置
JP2712739B2 (ja) * 1990-03-30 1998-02-16 神鋼電機株式会社 無人搬送車の操舵角制御装置
DE19828924C1 (de) * 1998-06-29 1999-06-02 Siemens Ag Schaltungsanordnung zum Steuern eines Fahrwerks- oder Antriebssystems in einem Kraftfahrzeug
US8498796B2 (en) * 2007-02-12 2013-07-30 Deere & Company Perception model for trajectory following autonomous and human augmented speed control
US8195364B2 (en) * 2007-02-12 2012-06-05 Deere & Company Perception model for trajectory following autonomous and human augmented steering control
JP5552339B2 (ja) * 2010-03-12 2014-07-16 トヨタ自動車株式会社 車両制御装置
US8849483B2 (en) * 2011-04-13 2014-09-30 California Institute Of Technology Target trailing with safe navigation with colregs for maritime autonomous surface vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05303406A (ja) * 1992-04-28 1993-11-16 Hitachi Ltd 定性推論予測制御方法
JP2008129804A (ja) * 2006-11-20 2008-06-05 Toyota Motor Corp 走行制御計画生成システム及びコンピュータプログラム
JP2009214786A (ja) * 2008-03-12 2009-09-24 Honda Motor Co Ltd 車両走行支援装置、車両、車両走行支援プログラム
JP2012030659A (ja) * 2010-07-29 2012-02-16 Denso Corp 状況適合型運転支援装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101897407B1 (ko) * 2017-06-14 2018-10-18 국방과학연구소 무인차량의 자율주행을 위한 적응적 동역학 모델 기반 최적 경로계획 방법 및 그 장치
KR20210132280A (ko) * 2020-04-24 2021-11-04 한국철도기술연구원 가상 열차 편성을 위한 간격제어기 설계방법

Also Published As

Publication number Publication date
JP2016520464A (ja) 2016-07-14
CN105189237A (zh) 2015-12-23
US20160161950A1 (en) 2016-06-09
US9645576B2 (en) 2017-05-09
EP2976240B1 (en) 2019-06-26
WO2014147361A1 (en) 2014-09-25
KR102172986B1 (ko) 2020-11-02
EP2976240A1 (en) 2016-01-27
JP6444977B2 (ja) 2018-12-26
CN105189237B (zh) 2017-11-07
GB201305067D0 (en) 2013-05-01
IL241688B (en) 2018-07-31

Similar Documents

Publication Publication Date Title
KR102172986B1 (ko) 셀프-드라이빙 또는 부분 셀프-드라이빙되는 지상 차량을 제어하기 위한 장치
Tuchner et al. Vehicle platoon formation using interpolating control: A laboratory experimental analysis
Zhao et al. Quadcopter formation flight control combining MPC and robust feedback linearization
Alcala et al. Gain‐scheduling LPV control for autonomous vehicles including friction force estimation and compensation mechanism
Wang et al. Real time implementation of socially acceptable collision avoidance of a low speed autonomous shuttle using the elastic band method
Liu et al. A systematic survey of control techniques and applications in connected and automated vehicles
Guo et al. Design of automatic steering controller for trajectory tracking of unmanned vehicles using genetic algorithms
JP2018037064A (ja) 能動的探索なしの強化学習に基づくオンライン学習法及び車両制御方法
Berntorp et al. Positive invariant sets for safe integrated vehicle motion planning and control
Brugnolli et al. Predictive adaptive cruise control using a customized ECU
Qu et al. Fuzzy state observer-based cooperative path-following control of autonomous underwater vehicles with unknown dynamics and ocean disturbances
Shin et al. Nonlinear model predictive control for multiple UAVs formation using passive sensing
Hidayatullah et al. Adaptive cruise control with gain scheduling technique under varying vehicle mass
Weihua et al. Robust decentralized formation flight control
Wang et al. Learning‐based model predictive control for improved mobile robot path following using Gaussian processes and feedback linearization
Khan et al. Nonlinear model predictive path-following controller for a small-scale autonomous bulldozer for accurate placement of materials and debris of masonry in construction contexts
Lakhal et al. Safe and adaptive autonomous navigation under uncertainty based on sequential waypoints and reachability analysis
Philippe et al. Safe and online MPC for managing safety and comfort of autonomous vehicles in urban environment
Kalaria et al. Delay-aware robust control for safe autonomous driving
Pan et al. Robust tracking control for vehicle lateral dynamics with uncertain parameters and external nonlinearities
Wang Control system design for autonomous vehicle path following and collision avoidance
Liu et al. Experimental tests of autonomous ground vehicles with preview
Zang et al. Formation Trajectory Tracking Control of UTVs: A Coupling Multi-Objective Iterative Distributed Model Predictive Control Approach
Defoort et al. Decentralized robust collision avoidance based on receding horizon planning and potential field for multi-robots systems
Vargas et al. ASG version of integral sliding mode robust controller for AV nonholonomic 2D models avoiding obstacles

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant