KR20180077623A

KR20180077623A - 하이브리드 자동차 및 그를 위한 운전 패턴 예측 방법

Info

Publication number: KR20180077623A
Application number: KR1020160182175A
Authority: KR
Inventors: 조규환; 박준영
Original assignee: 기아자동차주식회사; 현대자동차주식회사
Priority date: 2016-12-29
Filing date: 2016-12-29
Publication date: 2018-07-09
Also published as: CN108248609B; US10632985B2; US20180186360A1; KR101901801B1; CN108248609A

Abstract

본 발명은 하이브리드 자동차 및 그를 위한 운전 패턴 예측 방법에 관한 것으로, 보다 상세히는 운전자의 운전 패턴을 학습하여 예측함에 있어, 그 정확도를 보다 높일 수 있는 운전 패턴 예측 방법 및 그를 수행하기 위한 하이브리드 자동차에 관한 것이다. 본 발명의 일 실시예에 따른 하이브리드 자동차의 근미래 예측 방법은, 현재 차량 운행 정보를 획득하는 단계; 상기 현재 차량의 운행 정보를 이용하여 전방 이벤트 및 그에 따른 운전 성향을 판단하는 단계; 및 기 학습된 복수의 예측 모델 중 상기 판단된 전방 이벤트 및 상기 판단된 운전 성향에 대응되는 예측 모델을 이용하여 운전자의 근미래 가감속 의지 예측값을 생성하는 단계를 포함할 수 있다.

Description

하이브리드 자동차 및 그를 위한 운전 패턴 예측 방법{HYBRID VEHICLE AND METHOD OF PREDICTING DRIVING PATTERN}

본 발명은 하이브리드 자동차 및 그를 위한 운전 패턴 예측 방법에 관한 것으로, 보다 상세히는 운전자의 운전 패턴을 학습하여 예측함에 있어, 그 정확도를 보다 높일 수 있는 운전 패턴 예측 방법 및 그를 수행하기 위한 하이브리드 자동차에 관한 것이다.

최근, 차량에 대한 끊임없는 연비 향상의 요구와 각 나라의 배출가스 규제의 강화에 따라 친환경 차량에 대한 요구가 증가하고 있으며, 이에 대한 현실적인 대안으로 하이브리드 차량(Hybrid Electric Vehicle/Plug-in Hybrid Electric Vehicle, HEV/PHEV)이 제공되고 있다.

이러한 하이브리드 차량은 엔진과 모터로 구성되는 두 개의 동력원으로 주행하는 과정에서 엔진과 모터를 어떻게 조화롭게 동작시키느냐에 따라 최적의 출력과 토크를 제공할 수 있다. 특히, 엔진과 변속기 사이에 전기모터와 엔진클러치(EC:Engine Clutch)를 장착한 병렬형(Parallel Type, 또는 TMED: Transmission Mounted Electric Device 방식) 하이브리드 시스템을 채용한 하이브리드 자동차에서는, 엔진과 모터의 출력이 동시에 구동축으로 전달될 수 있다.

이러한 하이브리드 차량에서는 엔진 클러치의 연결 여부, 모터 출력을 엔진 출력에 더할지 여부, 주행 모드의 변경 여부 등 효율적인 주행을 위해 판단 및 제어의 대상이 일반적인 내연기관 차량보다 많은 편이다. 따라서, 이러한 판단 및 제어에 있어서 차량에서 근미래 시점(예를 들어, 10초 이내)에 있을 운전자의 행동을 미리 예측할 수 있다면 보다 효율적인 운행이 가능하게 된다.

운전자의 행동 예측을 위해서는 머신 러닝 기법을 이용한 운전자의 운전 패턴 샘플링 및 학습을 통한 업데이트를 이용하는 방안이 활발하게 연구되고 있지만, 운전자간 편차가 고려되지 않고 있다. 즉, 다수의 운전자의 주행 데이터를 획득하여 예측 모델이 학습됨에 따른 단일 예측 모델이 생성되는 경우, 운전자의 편차에 따라 예측 정확도가 크게 달라질 수 있다. 이를 도 1 및 도 2를 참조하여 설명한다.

도 1 및 도 2는 일반적인 운전자 패턴 학습에서 발생하는 문제점의 일례를 각각 설명하기 위한 도면이다.

먼저, 도 1을 참조하면, 과속 카메라가 전방에 있는 경우 A 운전자는 미리부터 속도를 줄이고, B 운전자는 과속 카메라에 상당히 근접한 후에야 속도를 줄이는 경우가 도시된다. 이러한 경우, 두 운전자를 샘플로 운전 패턴이 학습되는 경우, 단순 평균에 따라 그 중간 값으로 예측 결과가 도출되어, 실제로는 어떠한 운전자에게도 적합하지 않은 예측 모델이 생성된다.

이러한 문제는, 도 2의 경우와 같이 운전자가 동일한 경우라도 전방에 톨게이트가 있는 경우에는 톨게이트에 근접해서 속도를 줄이나, 과속 카메라가 있는 경우에는 미리부터 속도를 줄이는 경우에도 유사하게 발생한다.

따라서, 운전자별 편차나 전방 이벤트별 편차를 고려하지 않는 기존의 학습 모델로는 근미래에 발생할 운전자의 가감속 의지를 예측하는데 한계가 있다.

본 발명은 하이브리드 자동차에서 보다 효율적으로 운전 패턴 예측을 수행하는 방법 및 그를 수행하는 차량을 제공하기 위한 것이다.

특히, 본 발명은 하이브리드 차량에서 운전 패턴을 예측함에 있어 전방의 이벤트를 고려할 수 있는 운전 패턴 예측을 수행하는 방법 및 그를 수행하는 차량을 제공하기 위한 것이다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 하이브리드 자동차의 근미래 예측 방법은, 현재 차량 운행 정보를 획득하는 단계; 상기 현재 차량의 운행 정보를 이용하여 전방 이벤트 및 그에 따른 운전 성향을 판단하는 단계; 및 기 학습된 복수의 예측 모델 중 상기 판단된 전방 이벤트 및 상기 판단된 운전 성향에 대응되는 예측 모델을 이용하여 운전자의 근미래 가감속 의지 예측값을 생성하는 단계를 포함할 수 있다.

또한, 본 발명의 일 실시예에 따른 하이브리드 자동차는, 상기 하이브리드 차량의 적어도 하나의 센서와 연동하여 차량 운행에 따른 운전정보를 검출하는 운전정보 검출부; 및 가감속 예측모델을 활용하여 상기 운전정보 검출부로부터 전달된 정보를 이용하여 차량의 주행환경이 반영된 운전자의 근미래 가감속 의지 예측 값을 생성하는 운전자 가감속 예측부를 포함할 수 있다. 여기서 상기 운전자 가감속 예측부는, 상기 운전정보 검출부를 통해 검출된 현재 차량의 운행 정보를 이용하여 전방 이벤트 및 그에 따른 운전 성향을 판단하고, 기 학습된 복수의 예측 모델 중 상기 판단된 전방 이벤트 및 상기 판단된 운전 성향에 대응되는 예측 모델을 이용하여 상기 근미래 가감속 의지 예측값을 생성할 수 있다.

상기와 같이 구성되는 본 발명의 적어도 하나의 실시예에 관련된 하이브리드 자동차는 보다 효율적으로 운전 패턴을 예측할 수 있다.

특히, 머신 러닝 기법을 이용한 운전 패턴 예측에 있어서, 전방 이벤트별로 운전 성향에 따른 학습 및 모델링이 수행되므로 예측 결과가 향상될 수 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1 및 도 2는 일반적인 운전자 패턴 학습에서 발생하는 문제점의 일례를 각각 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 하이브리드 차량의 파워 트레인 제어 시스템을 개략적으로 나타낸 블록도이다.
도 4a 및 4b는 본 발명의 실시예들에 적용될 수 있는 운전자 가감속 의지 예측 과정의 일례를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 운전자 가감속 예측부가 근미래 예측을 수행하는 과정의 일례를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 운전자 가감속 예측부의 근미래 예측 과정의 일례를 나타내는 순서도이다.
도 7은 본 발명의 일 실시예에 따른 근미래 가감속 예측 모델을 활용한 모드 변경 판단 방법을 나타낸다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소들을 의미한다.

먼저, 도 3을 참조하여 본 발명의 실시예들이 적용될 수 있는 하이브리드 자동차 구조를 설명한다.

도 3은 본 발명의 일 실시예에 따른 하이브리드 차량의 파워 트레인 제어 시스템을 개략적으로 나타낸 블록도이다.

도 3를 참조하면, 본 발명의 실시 예에 따른 하이브리드 차량의 파워 트레인 제어 시스템(100)은 운전정보 검출부(110), 운전성향 판단부(120), 운전자 가감속 예측부(130) 및 하이브리드 제어기(HCU: Hybrid Control Unit, 140)를 포함한다. 물론, 이는 예시적인 것으로 이보자 적거나(예를 들어, 운전 성향 판단부 생략 등) 많은 구성요소로 파워 트레인 제어 시스템이 구성될 수 있음은 물론이다.

운전정보 검출부(110)는 차속 센서(11), 가속 페달 센서(Accelerato Position Sensor, APS)(12), 브레이크 페달 센서(Brake pedal Sensor, BPS)(13), 첨단 운전자 보조 시스템(ADAS: Advanced Driver Assistance System) (14), 내비게이션(15) 중 적어도 하나와 연동하여 차량의 운행에 따른 운전정보를 검출한다.

운전정보 검출부(110)는 APS(12)를 통해 운전자의 가속페달 작동 상태를 검출하고, BPS(13)를 통해 브레이크 작동 상태를 검출한다.

운전정보 검출부(110)는 차속 센서(11)를 통해 차량 속도를 검출하고, ADAS(14)의 레이더 센서, (스테레오) 카메라 등을 통해 전방 차량과의 상대 거리 및 가속도를 포함하는 전방 거동 정보를 검출한다. 물론, 레이더나 카메라 외에도 ADAS의 구성에 따라 초음파, 레이저 등의 다양한 센서가 활용될 수 있다.

운전정보 검출부(110)는 내비게이션(15)을 통해 GPS/GIS 기반 차량의 위치정보 기반, 도로종류, 정체도, 제한속도, 교차로, 톨게이트, 선회(turn) 및 구배 정보 등의 내비게이션 정보(도로 환경 정보)를 검출한다. 여기서, 내비게이션(15)은 상기한 정보 제공을 위해 내장된 내비게이션 맵과 외부 무선통신(예; 텔레메틱스, TPEG 등)으로 수집되는 교통정보를 참조할 수 있다.

운전성향 판단부(120)는 운전자의 차량 운전 조작에 따른 평균 속도, APS 변화량(dAPS) 및 BPS 변화량(dBPS) 등의 운전패턴을 토대로 운전자의 운전성향을 파악한다.

예컨대, 운전성향 판단부(120)는 운전정보 검출부(110)에서 검출된 APS 변화량, BPS 변화량, 차속, 구배도 등의 측정 인자를 입력 변수로 퍼지 멤버십 함수(Fuzzy membership function)를 구성하여 단기 운전성향 지수(SI = 0 ~ 100%)를 산출 한다.

그리고, 운전성향 판단부(120)는 산출된 단기 운전성향 지수(SI = 0 ~ 100%)를 운전성향 강도에 따른 소정 기준비율로 구분하여 운전자의 운전성향을 복수의 레벨로 판단할 수 있다.

운전자 가감속 예측부(130)는 머신 러닝(Machine Learning) 기법을 활용하여 운전성향 별 가감속 예측모델을 학습하고, 상기 가감속 예측모델을 활용하여 차량의 주행환경 및 상기 운전성향이 반영된 운전자의 근미래 가감속 의지 예측 값을 생성한다. 즉, 운전자 가감속 예측부(130)는 운전정보 검출부(110)를 통해 검출된 차속, 레이더 정보, 내비게이션 정보와 운전자의 운전성향을 입력정보로 활용하여 비교적 짧은 시간 단위로 나타나는 운전 조작의 형태를 정량적으로 수치화함으로써 운전자의 순간적인 가/감속 의지를 판단하고, 이를 통해 운전자의 근미래 가감속 예측 값을 생성할 수 있다. 이러한 가감속 예측값은 근미래의 소정 시간 단위로 가속 페달이나 브레이크 페달을 밟는 강도와 확률로 구성될 수 있다.

가감속 예측부(130)의 구체적인 예측 알고리즘에는 머신 러닝 기법을 활용하여 기 구축된 예측 모델을 보완해가는 뉴럴 네트워크(Neural Network)가 포함될 수 있는데, 여기에 대해서는 보다 상세히 후술하기로 한다.

하이브리드 제어기(140)는 본 발명의 실시 예에 따른 하이브리드 차량의 각종 모드 전환을 위한 상기 각부의 동작을 제어하며, 최상위 제어기로 네트워크로 연결되는 엔진 제어기 및 모터 제어기 등을 통합 제어한다.

하이브리드 제어기(140)는 운전정보 검출부(110)에서 검출된 APS 또는 BPS에 따른 운전자의 현재 요구 토크를 분석하고, 상기 근미래 가감속 예측 값을 전달받아 근미래 특정 시점의 요구 토크나 가/감속의 정도를 예측할 수 있다.

또한, 하이브리드 제어기는 현재 요구토크와 근미래의 예측 요구 토크를 각종 임계값과 비교하여, 변속기 단수 변속 여부, 모드 변경(HEV->EV 모드 또는 그 역방향 변경 등), 엔진의 풀로드/파트 로드 제어 여부 등을 결정할 수 있다. 결정의 결과는 그에 대응되는 제어기로의 제어 지령의 형태로 출력될 수 있다.

물론, 실시예에 따라 가감속 예측부(130)가 근미래 가감속 예측값을 이용하여 근미래 요구토크까지 예측하는 경우, 가감속 예측부(130)가 하이브리드 제어기(140)로 근미래 요구토크 예측값을 전달할 수도 있다.

또한, 변속기 제어기는 현재 요구토크에 따라 변속판단을 수행하되, 근미래 요구토크 예측값에 따른 변속 판단은 하이브리드 제어기(140)가 수행하도록 하고, 하이브리드 제어기(140)가 수행한 변속 판단 결과는 변속 제어기로 전달되어 변속 제어기의 변속판단을 오버라이드하도록 구현될 수도 있다.

아울러, 상술한 실시예에서 운전성향 판단부(120)는 구성에 따라 생략될 수도 있으며, 이러한 경우 운전자 가감속 예측부(130)는 운전성향에 관련된 입력 값을 제외하고 가감속 예측을 수행할 수 있다.

이하에서는 도 4a 및 도 4b를 참조하여 운전자 가감속 예측부(130)가 운전자의 가감속 의지를 예측하는 방법을 설명한다.

도 4a 및 도 4b는 본 발명의 실시예들에 적용될 수 있는 운전자 가감속 의지 예측 과정의 일례를 나타낸다.

먼저 도 4a를 참조하면, 운전자 가감속 예측부(130)의 운전자 가감속 의지 예측 과정은 크게 세 단계로 나뉠 수 있다. 구체적으로, 먼저 어떤 파라미터들이 예측을 위한 입력 값으로 사용될 지 여부가 결정될 수 있다(S41). 결정된 입력 값은 머신 러닝을 통하여 예측 모델을 수정하고(S42), 입력값과 수정된 모델을 통해 가속과 감속을 분류하여 근미래 상황에 대한 예측 값을 산출할 수 있다(S43).

여기서 입력 값을 결정하는 과정(S41)은 다시 1) 입력 값의 후보들을 추출하는 과정, 2) 입력 신호를 통합하여 데이터 전(pre) 처리하는 과정, 그리고 3) 전 처리된 후보 값을 이용하여 최종 변수를 선택하는 과정을 포함할 수 있다.

한편, 머신 러닝 기법은 시계열 모델 기반의 기법이 이용될 수도 있고, 딥 러닝(deep learning) 기반의 기법이 이용될 수도 있다. 여기서 시계열 모델 기반의 기법의 예로는 시간에 따른 행위의 변화를 추정지표(stochastic)로 설명하는 ARIMA(Autoregressive integrated moving average) 기법, 범용근사자로서 비모수 회귀(nonparametric regression) 방법을 이용하는 MLP(Multi-layer Perceprton) 기법 등을 들 수 있다. 또한, 딥 러닝 기반의 기법으로는 차원 축소를 통해 입/출력 데이터를 유사하게 만드는 SAE(Stacked AutoEncoder) 기법, 순차적인 정보를 처리하는 신경망 알고리즘인 RNNs(Recurrent Neural Networks) 기법, 장기 의존성 학습에 적합한 LSTM(Long Short Term Memory) 기법 등을 들 수 있다. 이 중 신경망 알고리즘을 이용한 운전자 가감속 예측부의 근미래 운전자 가감속 의지 예측 과정의 일례가 도 4b에 도시된다.

도 4b를 참조하면, 본 발명의 실시 예에 따른 운전자 가감속 예측부(130)는 머신 러닝 기법을 활용하여 운전자의 운전성향 별 가감속 예측모델을 학습하는 뉴럴 네트워크(Neural Network)를 포함한다.

운전자 가감속 예측부(130)에는 뉴럴 네트워크를 활용하여 차량의 출고 전 시험운전을 통해 누적된 빅데이터를 기반으로 운전성향 별 근미래 가감속 예측모델이 미리 구축되어 있는 것이 바람직하다.

또한, 운전자 가감속 예측부(130)는 뉴럴 네트워크를 활용하여 구축된 운전성향 별 근미래 가감속 예측모델에 출고 후 실제 운전자의 차량 운전을 통해 학습된 차량 거동 데이터를 더 반영하여 운전자에게 개인화된 운전성향 별 근미래 가감속 예측모델을 생성할 수 있다. 이 때, 운전자 가감속 예측부(130)는 운전자의 성향(마일드, 일반, 스포티 등) 판단에 따라 학습된 거동 데이터를 해당 운전성향의 근미래 가감속 예측모델에 적용할 수 있다.

이러한 운전자 가감속 예측부(130)는 차량 속도, 레이더 정보 및 네비게이션 정보를 종합한 주행 환경과 운전자의 운전성향을 입력정보로 활용하여 운전자의 운전성향에 따른 근미래 가감속 의지 예측 값을 산출할 수 있다. 여기서 운전 성향은 도 4b에 도시된 바와 같이 복수의 성향 타입으로 분류될 수도 있고, 평균속도, 가속페달 변화율(dAPS), 브레이크페달 변화율(dBPS) 등의 수치로 구성될 수도 있다.

아울러, 운전자 가감속 예측부(130)는 차량에 장착된 상태로 머신 러닝 기법을 통해 실시간으로 운전자 가감속 모델 학습에 따른 모델 수정을 수행할 수도 있고, 외부에서 수정된 모델을 수신하여 학습 없이 예측에만 사용할 수도 있다.

즉, 외부에서 모델이 수정되도록 하는 경우, 학습의 입력값이 되는 파라미터들을 텔레매틱스 센터나 클라우드 서버 등으로 전송되도록 하여 학습을 통한 모델 수정은 외부에서 수행된 후 최종 모델만이 차량으로 전송되도록 할 수 있다.

한편, 본 발명의 일 실시예에 의하면, 하이브리드 차량에서 근미래의 운전 패턴을 예측함에 있어 운전자의 성향과 전방의 이벤트를 고려하여 학습과 모델링이 수행될 수 있다. 즉, 본 실시예에 따른 운전자 가감속 예측부는 도 4a에 예시된 바와 같은 각종 입력 신호를 통해 예측 모델을 학습하고, 전방 이벤트별로 운전 성향에 따라 예측 결과를 분류한다. 이를 통해 운전자 가감속 예측부는 주행 중 얻은 운행 정보(즉, 입력 신호)에 따라 전방 이벤트별로 어떤 운전 성향에 속하는지 판단을 한 후, 해당 가감속 예측 결과를 현재 전방 이벤트에 따라 생성할 수 있다.

이를 위한 운전자 가감속 예측부의 동작이 도 5에 도시된다.

도 5는 본 발명의 일 실시예에 따른 운전자 가감속 예측부가 근미래 예측을 수행하는 과정의 일례를 나타낸다.

도 5를 참조하면, 본 실시예에 따른 운전자 가감속 예측부(130’)는 학습과 예측을 이원화하여, 1) 학습 관점에서 과거의 샘플링을 통한 학습으로 전방 이벤트별 운전 성향에 따른 예측 결과를 분류하고, 2) 현재 운전자의 운행 정보에서 전방의 이벤트 정보에 따른 운전자의 성향을 판단한다.

예컨대, 과속 카메라, 톨게이트, 전방 차량의 상태에 따라 운전자가 어떤 성향을 띄었지가 학습되어, 이벤트별, 운전 성향별로 복수의 예측 모델이 준비되며, 현재의 전방 이벤트와 현재 운전자의 운행 정보에 따라 준비된 복수의 예측 모델 중 어느 모델이 적용될지가 결정되어, 해당 현재 운행 정보에 해당하는 모델에 따른 가감속 예측 결과가 운전자 가감속 예측부(130’)에서 출력된다. 이를 순서도로 설명하면 도 6과 같다.

도 6은 본 발명의 일 실시예에 따른 운전자 가감속 예측부의 근미래 예측 과정의 일례를 나타내는 순서도이다.

도 6을 참조하면, 운전자 가감속 예측부(130’)는 운전정보 검출부(110)로부터 감지된 운행 정보를 수신하고(S611), 가감속 예측 모델을 학습하여(S613), 전방 이벤트 별로 운전 성향에 따른 예측 결과를 분류한다(S615). 이와 같이 학습된 모델에, 운전자 가감속 예측부(130’)는 현재 운전자의 운행 정보를 수신하여(S621) 현재 전방 이벤트에 대한 운전 성향이 어느 모델에 해당하는지를 판단하고(S623), 해당 모델의 예측값을 운전자의 근미래 가감속 의지 예측 값으로 출력할 수 있다(S630).

도 7은 본 발명의 일 실시예에 따른 근미래 가감속 예측 모델을 활용한 모드 변경 판단 방법을 나타낸다.

도 7에서의 모드 변경은 EV 모드와 HEV 모드 사이의 변경일 수도 있고, 변속단의 현재 단 유지와 상단 변속 사이의 변경일 수도 있으며, 엔진 운전 모드의 풀로드 운전 모드와 파트로드 운전 모드 사이의 변경일 수도 있다. 예컨대, EV 모드 주행 중 현재 운전 요구 해석 결과 엔진의 동력이 추가로 필요한 시점에서, 근미래에는 엔진 동력이 필요하지 않은 것으로 예측되면 HEV 모드로의 전환 없이 EV 모드가 유지될 수 있다. 다른 예로, 현재 운전 요구가 현재 변속단에서의 최대 토크보다 더 큰 토크를 요구하고 있으나, 근미래 시점에 바로 요구 토크가 감소할 것으로 예측되면 현재 변속단을 유지하면서 모터의 마진 토크를 통해 요구 토크를 맞추고, 근미래 시점에 요구 토크가 계속 더 큰 요구 토크를 가질 것으로 예측되면 미리 상단 변속이 수행될 수 있다.

다만, 도 7에서는 설명의 편의를 위해 판단 및 예측의 대상을 요구 토크로 가정하여 요구 토크에 관련된 모드 전환(변속, 엔진 운전 모드 등)을 가정하나, 가속도 등 다른 예측값으로 대체될 수 있음은 당업자에 자명하다. 이러한 경우, 운전자 가감속 예측부는 근미래 가감속 예측값을 이용하여 예측 가속도 값을 산출할 수 있다.

도 7을 참조하면, 본 발명의 실시 예에 따른 하이브리드 제어기(140)는 운전자의 APS 또는 BPS 조작에 따른 현재 운전 요구를 해석하고, 요구토크를 계산한다(S1). 또한, 하이브리드 제어기(140)는 모드 전환 경계 값과 요구 토크를 비교한다(S2).

그리고, 하이브리드 제어기(140)는 모드 전환 경계 값과 요구 토크를 비교한 결과에, 운전자 가감속 예측부(130’)에서 근미래 가감속 예측 모델을 활용한 운전자 가감속 의지 예측정보에 따른 요구토크 예측값을 추가 적용하여 모드 전환 여부를 결정하고(S3), 그 결정의 결과에 대응되는 지령을 해당 제어기에 전달할 수 있다. 일례로, S2 단계에서 모드 전환 경계 값을 제 1 임계값이라 칭하고, S3 단계에서 비교 대상 값을 제 2 임계값이라 칭하면, 제 2 값은, 제 1 값과 같거나 작을 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.

따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims

하이브리드 자동차의 근미래 예측 방법에 있어서,
현재 차량 운행 정보를 획득하는 단계;
상기 현재 차량의 운행 정보를 이용하여 전방 이벤트 및 그에 따른 운전 성향을 판단하는 단계; 및
기 학습된 복수의 예측 모델 중 상기 판단된 전방 이벤트 및 상기 판단된 운전 성향에 대응되는 예측 모델을 이용하여 운전자의 근미래 가감속 의지 예측값을 생성하는 단계를 포함하는, 하이브리드 자동차의 근미래 예측 방법.
제 1항에 있어서,
상기 기 학습된 복수의 예측 모델은,
과거의 차량 운행 정보를 이용하여 가감속 예측 모델 학습을 수행하는 단계; 및
상기 수행하는 단계의 결과를 상기 복수의 예측 모델 중 전방 이벤트 및 운전 성향에 따라 어느 하나로 분류하는 단계;를 통해 생성되는, 하이브리드 자동차의 근미래 예측 방법.
제 1항에 있어서,
상기 현재 및 과거의 운행 정보는,
레이더 정보, 네비게이션 정보 및 운전 성향 정보 중 적어도 하나를 포함하는, 하이브리드 자동차의 근미래 예측 방법.
제 3항에 있어서,
상기 운전 성향 정보는,
차속, 가속 페달 센서 값, 브레이크 페달 센서 값 중 적어도 하나를 포함하는, 하이브리드 자동차의 근미래 예측 방법.
제 1항에 있어서,
상기 근미래 가감속 의지 예측값은,
가속 페달 센서 값 또는 브레이크 페달 센서 값의 크기 및 확률의 형태로 출력되는, 하이브리드 자동차의 근미래 예측 방법.
제 1항에 있어서,
상기 현재 차량 운행 정보를 이용하여 현재 요구토크인 제 1 토크를 판단하는 단계;
상기 근미래 가감속 의지 예측값을 이용하여 현재로부터 근미래 시점에 발생이 예상되는 요구 토크인 제 2 토크를 판단하는 단계;
상기 제 1 토크가 제 1 임계값 이상인 경우, 상기 제 2 토크를 제 2 임계값과 비교하는 단계; 및
상기 비교 결과, 상기 제 2 토크가 상기 제 2 임계값 이상인 경우, 운행 모드를 제 1 모드에서 제 2 모드로 변경하는 단계를 포함하는, 하이브리드 자동차의 근미래 예측 방법.
제 6항에 있어서,
상기 제 1 토크가 상기 제 1 임계값 미만이거나, 상기 비교 결과 상기 제 2 토크가 상기 제 2 임계값 미만인 경우, 상기 제 1 모드를 유지하는 단계를 포함하는, 하이브리드 자동차의 근미래 예측 방법.
제 6항에 있어서,
상기 제 2 임계값은,
상기 제 1 임계값과 같거나 작은, 하이브리드 자동차의 근미래 예측 방법.
제 6항에 있어서,
상기 제 1 모드는,
변속단 유지, EV 모드, 엔진의 파트로드 운전 모드 중 어느 하나이고,
상기 제 2 모드는,
상단 변속, HEV 모드, 엔진의 풀로드 운전 모드 중 상기 제 1 모드에 대응되는 어느 하나인, 하이브리드 자동차의 근미래 예측 방법.
제 1항 내지 제 9항 중 어느 한 항에 따른 하이브리드 자동차의 근미래 예측 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능 기록 매체.
하이브리드 자동차에 있어서,
상기 하이브리드 차량의 적어도 하나의 센서와 연동하여 차량 운행에 따른 운전정보를 검출하는 운전정보 검출부; 및
가감속 예측모델을 활용하여 상기 운전정보 검출부로부터 전달된 정보를 이용하여 차량의 주행환경이 반영된 운전자의 근미래 가감속 의지 예측 값을 생성하는 운전자 가감속 예측부를 포함하되,
상기 운전자 가감속 예측부는,
상기 운전정보 검출부를 통해 검출된 현재 차량의 운행 정보를 이용하여 전방 이벤트 및 그에 따른 운전 성향을 판단하고, 기 학습된 복수의 예측 모델 중 상기 판단된 전방 이벤트 및 상기 판단된 운전 성향에 대응되는 예측 모델을 이용하여 상기 근미래 가감속 의지 예측값을 생성하는, 하이브리드 자동차.
제 11항에 있어서,
상기 운전자 가감속 예측부는,
과거의 차량 운행 정보를 이용하여 가감속 예측 모델 학습을 수행하고, 상기 수행 결과를 상기 복수의 예측 모델 중 전방 이벤트 및 운전 성향에 따라 어느 하나로 분류하여 상기 기 학습된 복수의 예측 모델을 생성하는, 하이브리드 자동차.
제 11항에 있어서,
상기 현재 및 과거의 운행 정보는,
레이더 정보, 네비게이션 정보 및 운전 성향 정보 중 적어도 하나를 포함하는, 하이브리드 자동차.
제 13항에 있어서,
상기 운전 성향 정보는,
차속, 가속 페달 센서 값, 브레이크 페달 센서 값 중 적어도 하나를 포함하는, 하이브리드 자동차.
제 11항에 있어서,
상기 근미래 가감속 의지 예측값은,
가속 페달 센서 값 또는 브레이크 페달 센서 값의 크기 및 확률의 형태로 출력되는, 하이브리드 자동차.
제 11항에 있어서,
상기 운전정보 검출부로부터 전달된 정보를 이용하여 현재 요구토크인 제 1 토크를 판단하고, 상기 근미래 가감속 의지 예측 값을 이용하여 현재로부터 근미래 시점에 발생이 예상되는 요구 토크인 제 2 토크를 판단하며, 상기 제 1 토크가 제 1 임계값 이상인 경우, 상기 제 2 토크를 제 2 임계값과 비교하고, 상기 비교 결과 상기 제 2 토크가 상기 제 2 임계값 이상인 경우, 제 1 모드에서 제 2 모드로의 전환이 수행되도록 하위 제어기를 제어하는 하이브리드 제어기를 포함하는, 하이브리드 자동차.
제 16항에 있어서,
상기 하이브리드 제어기는,
상기 제 1 토크가 상기 제 1 임계값 미만이거나, 상기 비교 결과 상기 제 2 토크가 상기 제 2 임계값 미만인 경우, 상기 제 1 모드가 유지되도록 상기 하위 제어기를 제어하는, 하이브리드 자동차.
제 16항에 있어서,
상기 제 2 임계값은,
상기 제 1 임계값과 같거나 작은, 하이브리드 자동차.
제 16항에 있어서,
상기 제 1 모드는,
변속단 유지, EV 모드, 엔진의 파트로드 운전 모드 중 어느 하나이고,
상기 제 2 모드는,
상단 변속, HEV 모드, 엔진의 풀로드 운전 모드 중 상기 제 1 모드에 대응되는 어느 하나인, 하이브리드 자동차.
하이브리드 자동차의 근미래 예측 방법에 있어서,
현재 요구토크를 판단하는 단계;
현재로부터 근미래 시점에 발생이 예상되는 예측 가속도를 판단하는 단계;
상기 현재 요구토크가 제 1 임계값 이상이고, 상기 예측 가속도가 제 2 임계값 이상인 경우, 제 1 모드에서 제 2 모드로 전환하는 단계; 및
상기 현재 요구토크 상기 제 1 임계값 미만이거나, 상기 예측 가속도가 제 2 임계값 미만인 경우, 제 1 모드를 유지하는 단계를 포함하되,
상기 예측 가속도를 판단하는 단계는,
현재 차량 운행 정보를 획득하는 단계;
상기 현재 차량의 운행 정보를 이용하여 전방 이벤트 및 그에 따른 운전 성향을 판단하는 단계;
기 학습된 복수의 예측 모델 중 상기 판단된 전방 이벤트 및 상기 판단된 운전 성향에 대응되는 예측 모델을 이용하여 운전자의 근미래 가감속 의지 예측값을 생성하는 단계; 및
상기 근미래 가감속 의지 예측값을 이용하여 상기 예측 가속도를 판단하는 단계를 포함하는, 하이브리드 자동차의 근미래 예측 방법.