KR20210015913A - 자기-학습(self-learning) 차량 제어 시스템 - Google Patents

Abstract

자기-학습 차량 제어 시스템으로서, 제어 시스템은: 실제 추진 시도 커맨드; 실제 제동 시도 커맨드; 요청된 속도 커맨드; 요청된 속도 커맨드의 변경; 요청된 가속도 커맨드의 변경; 측정된 차량 위치; 측정된 차량 3-D 속도; 측정된 차량 3-D 가속도; 및 측정된 차량 3-D 각속도의 입력 중 하나 이상을 수신하도록 구성된 제어기; 및 제어기와 통신 가능하게 접속된 하나 이상의 위치 결정 센서; 제어기와 통신 가능하게 접속된 하나 이상의 3-D 속도 결정 센서; 제어기와 통신 가능하게 접속된 하나 이상의 3-D 가속도 결정 센서; 제어기와 통신 가능하게 접속된 하나 이상의 3-D 각속도 결정 센서; 및 제어기와 통신 가능하게 접속되고 요청된 속도 및 가속도 커맨드를 제공하기 위한 출력 디바이스를 포함한다.

Description

자기-학습(self-learning) 차량 제어 시스템

본 출원은 2018. 6. 1. 출원된 미국 특허 가출원 제62/679,475호를 인용하고, 그에 따른 우선권을 주장하며, 그 전체 내용이 이하 본 발명의 설명에 참고로서 통합된다.

차량 제어에 관한 전략들의 수립은 수많은 현장 테스트와 튜닝을 통해 허용할 수 있을 정도의 성능에 도달하게 하는 과정이다. 현장에서의 튜닝은 고도로 숙련된 차량 제어 엔지니어가 차량의 추진 및 제동 제어 시스템을 튜닝하는 과정이며, 미리 결정된 안전 내지 성능 제약조건을 일관되게 준수하면서 각각의 목적지에 정확하게 정지하는 것 등을 포함한다.

본 발명의 특징들에 대하여는 첨부한 도면과 함께 이하의 상세한 설명을 읽는 것으로 충분히 이해할 수 있을 것이다. 본 기술분야의 표준적 실무에 따라, 다양한 구성상 특징들이 해당 스케일을 그대로 도시되지 않으며, 실제로 설명의 명확성을 위해 다양한 구성들의 크기가 필요에 따라 확대 또는 축소되어 있음을 유의한다.
도 1은 본 발명의 일부 실시예에 따른 시스템 및/또는 방법을 구현하기 위한 범용 컴퓨팅 디바이스의 블록도이다.
도 2는 일부 실시예에 따른 트레이닝 과정에서 사용되는 차량의 블록도이다.
도 3은 일부 실시예에 따른 자기-학습 차량 제어 시스템의 블록 다이어그램이다.
도 4는 일부 실시예에 따라 자기-학습 차량 제어 시스템을 동작시키는 방법의 흐름도이다.

이하 본 발명에 관련된 여러 유형의 실시예 또는 예시들을 제시함으로써 본 발명을 이루는 다양한 특징에 대하여 설명한다. 이하 제시되는 구성요소들, 소정의 값, 동작, 소재 또는 배열 등의 특정한 예시들은 본 발명의 설명을 단순화하기 위한 것이다. 물론 예시에 따라 설명하지만 이것은 단지 예를 보여주는 것으로서 본 발명을 당해 예시로서 제한하려는 것이 아니다. 얼마든지 다른 구성요소들, 소정의 값, 동작, 소재, 배열 등에도 적용할 수 있을 것이다. 설명 중에 제 1 구성의 위치가 제 2 구성의 위에 형성된다는 것의 의미는 상기 제 1 및 제 2 구성이 직접 접촉하는 실시예의 구성을 의미할 수도 있고, 또한 제 1 및 제 2 구성이 직접 접촉하지 않고 제 1 및 제 2 구성의 중간에 부가적인 구성이 형성되거나 배치되는 경우의 실시예를 포함할 수 있을 것이다. 또한, 본 발명의 설명에서 다양한 구성요소들에 대해 반복적으로 참조번호 및/또는 문자표시를 사용하지만, 이러한 반복적 표시는 설명을 단순하고 명확하게 하려는 것일 뿐, 그 자체로 여러 실시예들 및/또는 구성들 상호간에 직접적인 관계를 정의하려는 것이 아님을 유의해야 할 것이다.

또한 "밑으로", "아래로", "낮게", "위로", "높게" 등과 같은 구성 상호간 공간적 관계를 표현하는 용어들은 편의상 도면에 도시된 바에 따라 소정 요소 또는 특징이 다른 요소(들) 또는 특징(들)의 상호관계를 설명하기 위한 것이다. 공간적 관계를 표현하는 용어들은 도면에서 관찰되는 공간 영역의 좌표에 더하여 사용 내지 동작 중인 디바이스의 상이한 좌표와 방위까지 포함시켜서 설명하기 위한 것이다. 디바이스가 다른 방위로 배치될 수 있고(90도 회전 또는 기타 다른 방위 등), 상기 본 설명의 상대적인 공간적 관계를 표현하는 용어들은 그에 맞도록 해석해야 할 것이다.

도 1의 시스템(100)은 본 발명의 하나 이상의 실시예에 따라 실행되는 자기-학습 차량 제어 시스템의 개략도이다. 상기 시스템(100)은 하드웨어 프로세서(102)와 컴퓨터 프로그램 코드(106)가 인코딩된, 다시 말해, 실행가능한 명령들의 세트가 인코딩되어 이를 저장하는 비일시적(non-transitory) 컴퓨터 판독가능한 저장매체(104)를 포함한다. 프로세서(102)는 버스(108)를 통해 컴퓨터 판독가능한 저장매체(104)와 전기적으로 연결된다. 프로세서(102)는 또한 버스(108)에 의해 I/O 인터페이스(110)에 전기적으로 연결된다. 네트워크 인터페이스(112) 역시 버스(108)를 통해 프로세서(102)에 전기적으로 연결되며, 네트워크 인터페이스(112)는 네트워크(114)에 연결되어, 프로세서(102) 및 컴퓨터 판독가능한 저장매체(104)가 네트워크(114)를 통해 외부 요소에 연결될 수 있다. 상기 시스템(100)은 이하 설명되는 바에 따라 동작의 일부 또는 전부를 수행하도록 상기 프로세서(102)가 컴퓨터 판독가능한 저장매체(104)에 인코딩된 컴퓨터 프로그램 코드(106)를 실행하도록 구성된다.

일부 실시예에서, 상기 프로세서(102)는 중앙처리장치(CPU), 멀티프로세서, 분산형 프로세싱 시스템, ASIC(application specific IC) 및/또는 이들에 상응하는 적절한 프로세싱 유닛일 수 있다.

일부 실시예에서, 상기 컴퓨터 판독가능한 저장매체(104)는 전자적, 자기적, 광학적, 전자기적, 적외선 및/또는 반도체 시스템(또는 장치 내지 디바이스)이다. 예를 들어, 컴퓨터 판독가능한 저장매체(104)는 반도체 또는 솔리드-스테이트 메모리, 자기 테이프, 소거가능한 컴퓨터 디스켓, RAM(random access memory), ROM(read-only memory), 하드디스크 및/또는 광디스크를 포함한다. 광디스크를 사용하는 일부 실시예에서, 컴퓨터 판독가능한 저장매체(104)로는 CD-ROM, CD-R/W 및/또는 DVD 등이 있다.

실시예들에서, 저장매체(104)는 시스템(100)으로 하여금 본 발명의 방법을 수행하도록 구성된 컴퓨터 프로그램 코드(106)를 저장한다. 일부 실시예에서, 상기 저장매체(104)는 본 발명의 방법을 수행하는 데 필요한 정보뿐만 아니라, 그 동작을 수행하는 중에 산출되는 데이터, 파라미터, 정보(116) 및/또는 상기 방법을 수행하는데 필요한 동작을 위한 실행가능한 명령들의 세트(106)도 저장한다.

시스템(100)은 I/O 인터페이스(110)를 포함한다. I/O 인터페이스(110)는 외부회로들에 연결된다. 일부 실시예에서, I/O 인터페이스(110)는 정보 및 커맨드를 프로세서(102)에 전달하기 위한 키보드, 키패드, 마우스, 트랙볼, 트랙패드 및/또는 커서 방향 키를 포함한다.

시스템(100)은 또한 프로세서(102)에 연결된 네트워크 인터페이스(112)를 포함한다. 네트워크 인터페이스(112)는 시스템(100)이 하나 이상의 다른 컴퓨터 시스템이 연결된 네트워크(114)와 통신할 수 있게 해준다. 네트워크 인터페이스(112)는 BLUETOOTH, WIFI, WIMAX, GPRS 또는 WCDMA와 같은 무선 네트워크 인터페이스; 또는 ETHERNET, USB 또는 IEEE-1394와 같은 유선 네트워크 인터페이스를 포함한다. 일부 실시예에서, 본 발명의 방법은 2개 또는 그 이상의 시스템(100) 상에서 구현되고, 네트워크(114)를 통해 다른 시스템(100)과 정보를 교환한다.

상기 시스템(100)은 I/O 인터페이스(110)를 통해 정보를 수신하도록 구성되며, 상기 정보는 버스(108)를 통해 프로세서(102)로 전송된다.

적어도 일부 실시예에서, 프로그램 코드(106)는 하나 또는 그 이상의 신경망을 구성한다. 신경망 또는 인공 신경망(ANN: artificial neural network)은 생물학적 뇌, 예를 들어, 인간의 뇌와 유사한 방식으로 문제를 해결하도록 머신러닝을 수행하는 하나 또는 그 이상의 컴퓨팅 플랫폼을 포함한다. 이를 위해, 신경망은 생물학적 뇌의 뉴런을 모사하도록 함께 연결되는 복수의 노드들 또는 인공 뉴런들을 포함한다. 신경망의 노드들은 계층적으로 배열된다. 신경망에서의 소정 신호는 입력 계층으로부터 신경망의 여러 계층들을 통해 출력 계층으로 진행한다. 신경망을 통해 상기 신호가 진행함에 따라, 상기 신호는 해당 노드의 가중치 및/또는 노드 간의 접속에 연관된 가중치에 의해 수정된다. 상기 가중치는 신경망의 러닝 또는 트레이닝이 진행됨에 따라 조정된다. 신경망의 예로서 순환신경망(recurrent neural network), 다층 퍼셉트론(multilayer perceptron), 컨벌루션 신경망(convolutional neural network) 등이 있으며, 이들 예에 국한되지 않는다.

본 발명의 적어도 일부 실시예에서 상기 ANN은 차량의 일련의 상태에 기초하여 트레이닝된 순환신경망이다. 적어도 일부 실시예에서, 상기 신경망의 트레이닝은 즉석에서 측정되는 차량상태에 기초하지 않는다. 예를 들어, 이하 설명되는 바와 같이, 차량 모듈의 훈련은 가속도들의 시퀀스에 대하여 이루어진다. 적어도 일부 실시예에서, 상기 가속도들의 시퀀스는 주어진 기간에 대한 가속도들의 이력 시퀀스들을 포함한다. 적어도 일부 실시예에서, 차량 모듈의 신경망 훈련은 가속도에 부가하여 속도에 대한 트레이닝을 포함할 수 있다. 예를 들어, 이하 본 발명의 설명과 같이, 차량 모듈의 트레이닝은 속도들의 시퀀스에 대한 것이다. 적어도 일부 실시예에서, 속도들의 시퀀스는 주어진 기간에 대한 속도들의 이력 시퀀스들을 포함한다.

적어도 하나의 실시예에서, 상기 신경망의 트레이닝은 차량 모듈에 대한 테스트와 검증에 소요되는 데이터 입력을 최소화하도록 과도결론(overdetermination) 테스트에 기초한다. 이러한 접근법은 이력 데이터를 무작위적으로 사용하는 다른 접근법과 대조적이다.

본 발명에 따른 자기-학습 차량 제어 시스템의 실시예는 가이드웨이 상에서 운행되는 철도차량에 적용될 수 있다. 철도차량 이외에 상기 자기-학습 차량 제어 시스템은 자동차, 선박, 항공우주용 차량, 로버(rover) 또는 드론(drone) 등에도 적용될 수 있다.

적어도 일 실시예에서 상기 자기-학습 프로세스는, 현장 엔지니어가 수작업으로 튜닝하지 않고, 그리고 차량의 서비스 상태를 유지하는 중에 자동으로 실행될 수 있다. 차량이 기관사의 수동운전 또는 자동열차운전(ATO: automatic train operation)에 따른 운행, 무인주행 또는 자율주행 모드에서 동작하는 중에, 본 발명의 실시예에 따른 자기-학습 프로세스가 "섀도우(shadow)" 모드로서 동작한다.

상기 자기-학습 프로세스는 두 스테이지로 수행될 수 있다. 일 스테이지에서는 실시간으로 가이드웨이 상에서 운행하는 차량에 기초하여 당해 일 차량 모델의 특성을 수립한다. 다른 스테이지에서는 실제 현장 운용을 위한 일 스피드 컨트롤러를 준비하도록 온라인 또는 오프라인 상에서 상기 일 스테이지에서 수립된 차량 모델에 기초하여 스피드 컨트롤러를 수립한다. 상술한 자기-학습 프로세스는 차량별로 소프트웨어를 개발하고 각 스피드 컨트롤러를 수조작으로 튜닝하는 다른 프로세스에 비하여 훨씬 빠르고, 저비용, 고효율적이며, 트립 제약조건들을 만족시키는데도 더 적합하다.

본 발명의 하나 이상의 실시예는 시스템(100)과 같은 온-보드(on-board) 컴퓨터와, 2개의 신경망에 대하여 위치, 속력, 가속도 및 각속도 측정센서를 연결해주는 I/O 인터페이스(110)와 같은 하나 이상의 인터페이스를 포함한다. 설명된 것처럼, 상기 신경망들은 프로그램 코드(106)의 일부로서 실행된다. 일부 실시예에서 상기 신경망들은 시스템(100)과 분리되어 있다. 일부 실시예에 따르면, 일 신경망(차량 모델 신경망)은 차량의 동적 행태(dynamic behavior)를 모델링하도록 학습되며, 타 신경망(자동 스피트 컨트롤 신경망)은 사용자 또는 시스템에게 미리 규정된 제약조건들을 준수하면서 추진 및 제동 제어 커맨드들로써 차량을 운행하도록 스스로 학습한다. 적어도 일부 실시예에서, 상기 차량은 트레이닝 단계에서 하나의 단일 신경망을 온-보드 컴퓨터의 일부에 포함시킨다. 이 경우 상기 단일 신경망은 후술하는 일 차량 모델 신경망이 된다.

적어도 하나의 실시예에서, 통신기반 열차제어(CBTC: communication based train control) 시스템은 자동열차운전(ATO), 또는 무인주행이나 자율주행 모드에서 동작할 수 있으며, 이때 온-보드 컴퓨터, 예를 들어 도시된 프로세서(102)는, 요청되는 추진 및 제동 시도를 차량의 제어 시스템에게 명령하며 여기에는 타력운전 요청도 포함된다. 자기-학습 차량 제어 시스템의 프로그램 코드(106)의 일부 실시예는 차량 모델과 자동 스피드 컨트롤의 적어도 두 모듈을 포함한다. 적어도 일 실시예에서, 상기 두 모듈은 각각이 신경망인, 차량 모델 신경망과 자동 스피트 컨트롤 신경망으로 구성된다.

차량 모델 신경망 모듈(또한, 차량 모듈이라고도 칭함)과 관련하여, 우선 상기 차량 모듈은 차량 제어 커맨드에 응답하는 당해 차량의 동역학적 특성(3차원(3D)에서의 속도, 가속도 및 각속도를 포함하지만 이에 제한되지 않음)에 따라 상기 차량을 특징화하고 그 특성을 수립한다. 차량 제어 커맨드들은 추진 시도, 제동 시도 및 타력 운전과 같은 운전자 또는 차량을 제어하는 제어 시스템이 입력하는 명령들을 포함한다. 상기 차량의 특성은 차량 제어루프 특성을 결정할 수 있도록 가이드웨이 상에서 차량의 지형적 위치(경사도, 곡률 및 편경사(superelevation)를 포함하지만 이에 제한되지 않음)까지 고려하여 수립될 수도 있다. 차량 제어루프 특성은 정상상태(steady-state) 및 정상상태가 아닌 상태(non-steady-state)에서 각각에서 계단형 제어 커맨드 등과 같은 다양한 제어 커맨드들에 대한 응답 시간, 지연, 주파수 및 진폭 응답 등이 포함되며 이들에 한정되지 않는다. 상기 차량 모듈은 실제 가이드웨이 상에서 운전자 또는 제어 시스템에 의해 차량이 제어되고 운행되는 중에 실행될 수 있다. 적어도 일부 실시예에서, 상기 차량 모듈은 차량 동역학에 영향을 미치는 환경 요인들, 예를 들어 경사도, 곡률, 고도 등을 참작하기도 한다.

차량의 특성을 수립하는 동안, 자기-학습 시스템은 운전자 또는 제어 시스템이 차량에 대하여 소정의 커맨드들을 입력함에 따라 당해 차량이 수행할 것으로 기대하는 미리 설정된 소정의 스피드 프로파일을 요청한다. 적어도 일부 실시예에서, 상기 미리 설정된 스피드 프로파일은 속력, 가속 및 제동 파라미터들을 포함한다. 이후 자기-학습 시스템은 차량 상태 특성(attribute)들과 함께 추진, 제동 또는 다른 입력 커맨드들을 모니터링한다. 차량 상태 특성들에는 가이드웨이 상에서 당해 차량의 위치, 스피드, 가속도, 각속도 등이 포함된다. 상기 모니터링은 운전자 또는 제어 시스템에 의해 차량이 제어되는 동안 실시간으로 수행된다. 모니터링되는 각각의 차량 상태 특성들은 미리 설정된 샘플링 레이트(sampling rate)로 추출된다. 일부 실시예에서, 상기 미리 설정된 샘플링 레이트는 차량 제어 시스템이 요구하는 커맨드 입력 레이트의 2배이다. 일부 실시예에서, 상기 미리 설정된 샘플링 레이트는 차량 제어 시스템이 요구하는 입력 레이트의 4배이다. 또 일부 실시예에서, 상기 미리 설정된 샘플링 레이트는 차량 제어 시스템에서 요구하는 입력 레이트의 2배보다 크거나 작다. 이론적으로 상기 미리 설정된 샘플링 레이트를 상승시키는 것은 모델링의 정확도를 더 높이는 장점이 있지만, 반대로 대역폭 문제, 저장용량, 프로세싱 비용 등을 발생시킨다. 즉, 상기 미리 설정되는 샘플링 레이트를 작게 함으로서 대역폭과 저장용량, 프로세싱 비용을 낮출 수 있다.

일부 실시예에서, 상기 차량 제어 시스템은 차량 추진 및 제동 제어 시스템을 포함한다. 일부 실시예에서, 차량 제어 시스템은 차량 추진, 조향 및 제동 제어 시스템을 포함한다. 일부 실시예에서, 추가적인 제어 시스템이 차량 제어 시스템에 포함된다.

적어도 일부 실시예에서, 모니터링된 차량 입력 커맨드들, 예를 들어 추진 및 제동 시도 커맨드는 스피드 범위, 가속/감속 범위, 계단식(다양한 크기 및 지속 시간을 가짐) 커맨드들, 다양한 기울기와 지속 시간을 갖는 선형적 점증적 변경 커맨드들에 대하여 차량의 동적 제어의 전체 범위를 커버한다. 자기-학습 시스템은 차량 제어의 동적 범위를 커버할 수 있도록 미리 설정된 스피드 프로파일의 형태로 전체 동적 범위가 요청된다.

차량 제어에서 일정한 동적 범위를 커버할 수 있도록 하는 것은 가능한 한 가이드웨이 타임을 최소로 사용하면서 자기-학습 시스템이 최대한 많은 운전 시나리오에 대하여 차량 행태를 학습할 수 있도록 하려는 것이다. 이러한 방식으로, 표준적 상황을 벗어나는 극한적 운전으로 인한 불량한 차량 제어의 위험을 완화시킬 수 있다. 상기 시스템이 요청하는 미리 설정된 스피드 프로파일은 가이드웨이 주행시간을 최소로 사용하면서 가능한 한 많은 동역학 모델들을 활성화시키도록 최적화된다. 일부 실시예에서, 운전자 또는 컨트롤러는 시스템이 요청하는 상기 미리 설정된 스피드 프로파일에 따라 적어도 하나의 차량 제어 커맨드의 대부분 제어 범위(즉, 50% 또는 그 이상)를 실행하게 해준다. 예를 들어, 차량의 상기 가능한 추진 레벨의 50% 커버링을 초과하는 다른 추진 레벨로 차량을 운전하기 위해서는, 미리 설정된 소정의 운전 프로파일에 따라 실제 추진 시도 커맨드가 요청된다. 적어도 일부 실시예에서, 상기 요청된 미리 설정된 운전 프로파일은 운전자 또는 컨트롤러로 하여금 적어도 하나의 차량 제어 커맨드 범위의 적어도 75%를 실행하도록 한다. 일부 실시예에서, 상기 미리 설정된 운전 프로파일은 추진에서 제동으로의 스위칭 횟수를 감소시키고 또한 차량 구동 릴레이의 피로를 감소시킨다. 운전자 또는 상기 제어 시스템의 커맨드를 프로세싱하는데 ANN 알고리즘이 사용되며, 자기-학습 시스템은 미리 설정된 스피드 프로파일의 관점에서 차량 상태, 예를 들어 3D 속도, 3D 가속도 및 3D 각속도 등을 모니터링하도록 요청한다. ANN 알고리즘은 트레이닝 기술을 적용하여 실제 차량의 모델, 즉, 차량 모델 신경망을 생성하는 목적으로 차량의 응답 특성을 결정한다. 적어도 일부 실시예에서, 상기 모델은 ANN 알고리즘에 최적 트레이닝 기법을 적용한 결과로서 생성되는 최적화 모델 또는 실제 차량이다. 상기 차량 모델의 검증은 독립적인 검증 데이터 세트에 대하여 적정성 오류가 미리 설정된 허용범위보다 작을 때 트레이닝된 것으로 간주한다. 실제로 적어도 일부 실시예에서, 가속도 프로파일에 대한 가속도의 예측과 실제 가속도 사이의 오차가 허용범위 내에 있다.

적어도 일부 실시예에서, 상기 차량 모듈은 입력들을 수신할 수 있는 기능을 구비하며, 상기 입력들은 실제 추진 시도 커맨드, 실제 제동 시도 커맨드, 요청된 스피드, 요청된 스피드의 변경(크기 및 그 증가 또는 감소를 포함), 요청된 가속/감속, 요청된 가속도의 변화(크기 및 그 증가 또는 감소를 포함), 측정된 차량 위치, 측정된 차량 속력, 측정된 차량 가속도 및 측정된 차량 각속도들의 하나 또는 그 이상에 대응하는 입력이다.

차량은 가이드웨이 상에서 운전자 또는 제어 시스템에 의해 동작하며, 위치(position, location) 센서(들), 스피드 센서(들), 가속도 센서(들), 각속도 센서(들), 및 디스플레이 중 하나 또는 그 이상을 포함한다. 일부 실시예에서, 차량 성능에 따라 추가적인 센서들이 채택된다. 일부 실시예에서, 위치 센서(들)는 GPS 수신기, 카메라, 초광대역(UWB: ultra wide band) 센서, 레이더, LIDAR 및/또는 열상 카메라를 포함하지만 이에 국한되지 않는다. 일부 실시예에서, 속도 센서(들)는 GPS 수신기, 카메라, 초광대역(UWB) 센서, 레이더, LIDAR 및/또는 열 카메라를 포함하지만 이에 제한되지 않는다. 일부 실시예에서, 가속도 센서(들)는 관성측정 유닛(IMU: inertial measurement unit)을 포함하며 이에 제한되지 않는다. 일부 실시예에서, 각속도 센서(들) 역시 IMU를 포함하고 이에 제한되지 않는다. 일부 실시예에서, 디스플레이는 요청된 스피드와 가속도 커맨드들을 표시하는데 사용되고 또 일부 실시예에서, 상기 디스플레이는 조향 커맨드들을 표시하는데 사용된다.

도 2는 본 발명의 실시예에 따라 트레이닝 과정에서 사용되는 차량의 블록도이다. 도 2는 차량(200)과 가이드웨이(202)를 포함하며 상기 차량은 가이드웨이를 따라 이동하면서 커맨드를 받는다. 도시된 차량(200)은 온-보드 컴퓨터, 예를 들어, 도 1의 시스템(100)과 몇몇 센서, 예를 들어, 가속도계, LIDAR, 레이더, 카메라, 디스플레이, 차량 제어 인터페이스 등을 포함한다. 운전자는 차량 제어 인터페이스의 일부인 하나 이상의 운전 레버들을 이용하여 차량(200)을 조작한다. 적어도 일부 실시예에서, 운전 레버의 위치를 모니터링하도록 카메라가 배치되며 운전자 입력 커맨드, 예를 들어, 추진 및/또는 제동 커맨드를 캡처한다. 적어도 일부 실시예에서, 카메라가 없이 운전 레버에서 직접 컴퓨터로 입력 정보를 전달한다. 가이드웨이(202)는 차량으로부터의 레이더 신호를 차량에 반사시키도록 레이더 역반사기(retroreflector)를 포함하며, 일부 실시예에서 가이드웨이(202)는 레이더 역반사기를 포함하지 않을 수 있다. 디스플레이는 미리 설정된 스피드 프로파일을 운전자에게 보여준다.

이하, 자동 스피드 컨트롤 신경망(또한 스피드 컨트롤 모듈이라고도 칭함)을 설명한다. 스피드 컨트롤 모듈은 차량에 대한 커맨드들, 예를 들어 추진 및/또는 제동 커맨드들에 따라 차량을 운전하도록, 그리고 요청된 차량의 동작에 관련된 부가적인 동작의 제약조건들을 준수하도록 스피드 컨트롤의 규칙을 정의한다. 적어도 일부 실시예에서, 상기 스피드 컨트롤 모듈은 차량을 운전하기 위한 최적의 스피드 컨트롤 규칙을 정의한다.

일부 실시예에서, 상기 부가적인 동작의 제약조건에는 최소 플랫폼-대-플랫폼 주행 시간, 최소 라인(시작-대-끝) 주행 시간, 소정 에너지 임계값 이하의 에너지 소모(플랫폼-대-플랫폼), 소정 에너지 임계값 이하의 에너지 소모(시작-대-끝), 최종 플랫폼 정렬 변위 오차, 추진 및 제동 모드 간 최소 릴레이 스위칭, 운전 전략에 따른 최소 승객 불편과 그밖의 유사한 제약조건들이며 이들에 국한되지 않는다. 스피드 컨트롤 모듈은 이미 수립된 차량 모듈에 기초한 ANN 상에서 시뮬레이션으로 실행된다. 차량 모듈이 이미 수립되어 있기 때문에, 스피드 컨트롤 모듈의 트레이닝을 위해 고비용의 실제 가이드웨이 타임을 운영할 필요가 감소 내지 제거되고 그에 따라 비용을 절감할 수 있다.

트레이닝 기술을 적용함으로써, 스피드 컨트롤 모듈의 상기 ANN 알고리즘은 차량 동작에 대한 제약조건들을 충족하면서 차량 제어 커맨드들, 예를 들어 추진 및/또는 제동 커맨드를 결정한다. 일부 실시예는 시스템의 특정한 동작 환경과 구성에 따라 동작에 대한 상이한 제약조건들을 적용한다. 예를 들어, 일부 실시예에서 최소 플랫폼-대-플랫폼 주행시간과 함께 에너지 임계값을 제 1 임계값으로부터 제 2 임계값까지의 단계적 에너지 임계값들로 제한하는 제약조건을 적용하기도 한다. 즉, 스피드 컨트롤 모듈에 특정 제약조건(들) 및/또는 제약조건들의 조합을 적용하는 것에 대하여 그에 상응하는 특정 시나리오를 처리할 수 있도록 상기 모듈을 트레이닝한다.

스피드 컨트롤 모듈의 트레이닝 후, 자기-학습 차량 제어 시스템은 가이드웨이 상의 일 차량에서 운행을 전개하도록 준비된다. 일부 실시예에서, 상기 스피드 컨트롤 모듈에 대한 트레이닝은 차량 모듈에 대한 트레이닝과 병행하여 실행될 수 있고, 따라서 빠른 트레이닝과 전개가 가능하다. 적어도 일부 실시예에 따르면, 운전자 또는 제어 시스템이 상기 요청된 스피드 프로파일을 완성하기 전에 완전히 최적화된 ANN 자동 스피드 컨트롤러를 완성할 수 있다. 상기 스피드 컨트롤러는 설정된 허용범위 내에서 검증 시나리오들에 대한 포트폴리오를 성공적으로 완료한 때(예를 들어, 과속 및 저크(jerk)의 금지, 가속도, 제동, 도착 시간, 에너지 사용량, 정지 오차가 미리 설정된 허용범위 내에 있는 경우), 트레이닝된 것으로 간주한다.

적어도 일부 실시예에서, 상기 스피드 컨트롤 모듈은 차량의 위치(자세), 속력, 가속도 및 각속도를 모사하는 시뮬레이터를 포함한다. 적어도 하나의 실시예에서, 스피드 컨트롤 모듈은 동작의 제약조건들을 수신하기 위한, 예를 들어, 파일 또는 데이터베이스로부터 규칙의 형태로 제약조건들을 읽어들이도록 인터페이스를 포함한다. 적어도 일부 실시예에서, 스피드 컨트롤 모듈은 운전기준에 대한 정의들을 수신하도록 인터페이스를 포함한다. 운전기준에는 상기 제어 시스템의 행태에 대한 한도들을 규정하는 제약조건들이 포함된다(예를 들어, 속도, 저크, 가속도, 제동, 도착 시간, 에너지 사용량 및 정지 오차의 허용범위).

도 3은 본 발명의 일부 실시예에 따른 자기-학습 차량 제어 시스템의 블록 다이어그램이다. 도 3에 도시된 바와 같이, 다이어그램의 상부는 차량 모듈에 차량의 동역학(kinematics)과 동작 프로파일을 훈련시키는 차량 모듈 트레이닝 과정을 포함한다. 차량 모듈 트레이닝 과정은 미리 설정된 스피드 프로파일에 응답하여 운전자 또는 제어 시스템이 가이드웨이 상의 차량을 동작시키는 것을 포함한다. 적용된 운전 커맨드들과 센서들에서 캡처된 차량 상태들을 포함하는 제반 정보가 상기 차량 모듈, 즉 차량 모듈 신경망에 전달되고, 목표 연산기가 모듈의 실제 속도와 추정 속도의 차이를 산출하여, 상기 차량 모듈의 업데이트와 정확도를 개선하도록 트레이닝 업데이트 정보를 피드백한다.

차량 모듈의 트레이닝 후, 상기 차량 모듈은 다이어그램 아래 부분의 스피드 컨트롤 모듈에 대한 트레이닝 과정과 연계시켜서 사용된다. 상기 차량 모듈의 이같은 사용으로, 스피드 컨트롤 모듈에 대하여 실제 가이드웨이 상에서 차량을 운전할 필요 없이 복수의 다양한 시나리오에 대하여 트레이닝할 수 있다. 스피드 컨트롤 모듈은, 차량에 대한 스피드 프로파일, 가이드웨이 속성(예를 들어, 가이드웨이 경사 값) 또는 차량 상태 특성들(예를 들어, 차량 속도, 차량 가속도 또는 차량 위치 중 하나 이상) 중 하나 이상을 수신하는 것에 응답하여 하나 이상의 차량 제어 커맨드를 생성한다. 상기 차량 모듈은 생성된 하나 이상의 상기 차량 제어 커맨드를 수신하고, 차량 모듈에 캡처된 학습된 차량 동역학에 기초하여 차량 속도, 차량 가속도 또는 차량 위치 중 하나 이상을 업데이트한다. 상기 실행 중에 목표 연산기는 속도 프로파일과 차량 상태 특성, 예를 들어 차량 위치 등에 기초하여 스피드 컨트롤 모듈을 트레이닝하기 위한 업데이트를 제공한다.

적어도 일부 실시예에서, 상기 과정을 여러 차례 반복하여 자기-학습 시스템을 동작시킨다.

도 4는 자기-학습 차량 제어 시스템을 동작시키는 방법(400)의 흐름도이다. 일부 실시예에서, 본 방법(400)은 온-보드 컴퓨터, 예를 들어 도 1의 시스템(100)에 의해 수행된다. 일부 실시예에서, 추가적인 단계들이 표시된 단계의 이전, 이후 또는 도중에 실행될 수 있다. 일부 실시예에서, 상기 단계들은 다른 순서로 수행하면서 동일한 기능을 달성할 수도 있을 것이다.

본 방법(400)은 상기 시스템이, 운전자 또는 제어 시스템이 따라야 할, 예를 들어 미리 설정된 스피드 프로파일과 같은 운전 패턴들을 생성하는 단계(402)를 포함한다. 상기 프로파일은 추진 시도, 타력 운전, 및/또는 제동 시도의 측면에서 광범위하게 차량 기능을 활용하도록 최적화된다. 상기 프로파일에는 앞서 설명한 (다양한 크기와 지속 시간을 갖는) 단계적, (다양한 기울기와 지속 시간을 갖는) 선형적 변경과 같은 다양한 커맨드들을 포함하며, 상기 커맨드들에 따라 차량의 동작 범위(operating envelope)와 가능한 운전/제어의 상태들에 대한 차량의 동적 응답(시간, 지연, 주파수 및 진폭)을 특징화한다.

이어서 차량의 제어 위치 및/또는 차량에 대한 입력 커맨드를 기록하고 차량 상태를 기록하는 단계(404)로 진행한다. 운전자 또는 제어 시스템이 안전에 관한 제약조건들을 준수하면서 시스템이 요청한 미리 설정된 스피드 프로파일을 따라가는 동안, (카메라 등, 그러나 이에 국한되지 않는) 센서는 운전자 또는 제어 시스템이 설정하는 제어 레버들의 위치를 기록한다. 상기 운전자 레버 위치를 컴퓨터 이미징으로 캡처하기 곤란하거나 부적합한 실시의 경우, 직접적인 하드웨어 인터페이스를 통해 제어 레버의 위치(들)을 판독하도록 할 수 있다. 적어도 일부 실시예에서, 컴퓨터 비전 알고리즘을 적용하여 제어 레버의 위치를 디코딩함으로써 차량 제어 시스템에 전달된 추진 및/또는 제동 시도 커맨드를 결정하도록 한다. 제어 시스템으로 차량을 운전하는 실시예의 경우, 상기 운전자 레버 위치는 제어 시스템이 차량 제어 시스템에게 전달한 커맨드를 기록하는 것으로도 가능하다.

다음으로, 입력된 커맨드들과 차량 상태에 기초하여 차량 모듈을 트레이닝하는 단계(406)를 수행한다. 일부 실시예에서, 레이더 또는 LIDAR와 같은 스피드 센서로(이들 예시에 국한되지 않음) 차량의 속도를 기록하고 소정 간격으로 트랙을 따라 배치된 역반사 요소들의 반사구간을 기록한다. 도 2에 도시된 바와 같이, 역반사기는 트랙의 중앙에 탑재되며 차량이 그 위로 통과할 수 있을 만큼 충분히 작다. 일부 실시예에서, 상기 역반사기는 레이더 상에 큰 레이더 단면의 타겟들을 표시하도록 배치된다. 일부 실시예에서, 운전자 또는 제어 시스템이 명령하는 추진 및/또는 제동 시도에 따라 발생하는 가속도 및 각속도의 변화를 IMU(관성센서)가 검출한다. 일부 실시예에서, IMU는 차체에 가해지는 외력들과 복합적인 트랙 등급을 보다 정확하게 캡처하도록 차량의 대차(bogey) 부분의 복수 위치에 장착된다. 적어도 일 실시예에서 차량의 3D 주행 방향을 결정하도록 센서 판독을 센서 감응형(sensor-fused) 방식으로 구현한다. 상기 센서 판독의 결과는 동기화되고 타임스탬프와 함께 기록된다.

캡처된 센서 데이터 및 입력 커맨드들은 트레이닝을 위해 차량 모듈의 ANN에 제공되고, 차량 모듈은 차량의 동역학 모델을 학습함으로서, 제어 커맨드에 대한 추진 및/또는 제동 시도에 따른 3D 가속도, 3D 속도 및/또는 3D 변위 등과 같은 차량의 응답 특성을 매핑한다. 자기-학습 차량 제어 시스템은 추진 및/또는 제동 시도들을 결정하였던 당해 커맨드들, 그리고 그에 연관된 입력으로서 측정된 속력, 가속도 및 각속도, 트레이닝 타겟으로 결정한 다음 사이클(또는 다음 시점)에서의 속력, 가속도, 각속도를 기록한다. 본 발명의 자기-학습 차량 제어 시스템, 특히 차량 모듈을 훈련하는데 역전파(backpropagation) 알고리즘을 적용함으로써, 차량의 동역학적 모델의 목표와 캡처된 결과의 오차를 최소화하고, 나아가 전체적 지연, 주파수 특성, 차량 간 작용-반작용(cross-car forces), 교란 모델까지 차량 모듈에 반영할 수 있을 것이다.

운전자 또는 제어 시스템이 계속하여 미리 설정된 스피드 프로파일을 따라가면서, 본 발명의 차량 모듈 ANN은 온라인 트레이닝을 통해 보다 정확하게 차량의 동역학 특성에 대한 지식을 향상시킬 수 있다. 온라인 트레이닝은 차량이 실제로 가이드웨이 현장을 주행하는 상황들을 재현하는 것이다. 오프라인 트레이닝은 차량 및/또는 구성요소들에 대한 소정의 시뮬레이션에 대하여 모사된 차량이 모사된 가이드웨이를 따라 주행하는 경우를 재현하는 것이다.

일부 실시예에서 차량 모듈은 트레이닝 중에 실시간 반복적으로 테스트되며, 소정의 요청된 운전 커맨드들, 예를 들어 미리 설정된 스피드 프로파일 형태의 커맨드들에 대하여 그 응답을 예측한다.

다음 단계는 실제 현장정보에 따라 차량 모듈의 성능을 테스트하여 차량 모듈이 정확도 임계값의 기대를 충족하는지 여부를 결정하는 단계(408)이다. 차량 모듈은 독립적인 검증 데이터 세트에 대하여 적정성 오차가 미리 설정된 허용 한도 미만일 때 트레이닝 것으로 간주된다. 실제로, 적어도 일부 실시예에서 예측된 가속도와 실제 가속도 사이의 오차는 속력/가속 프로파일에 대하여 허용범위 내에 있다. 정확도 임계값을 충족하지 못할 경우, 상기 차량 모듈은 추가적인 트레이닝을 위해 상기 운전 패턴들을 생성하는 단계(402)로 복귀한다.

차량 모듈이 정확도 임계값에 도달하거나 초과하면, 상기 차량 모듈 ANN은 학습을 중지하고, 다음 단계(410)로 진행하여 상기 차량을 제어하기 위한 스피트 컨트롤 모듈에 대하여 학습하는 단계를 시작한다. 시뮬레이션 과정에서, 상기 스피드 컨트롤 모듈은 상기 차량 모듈과 상호작용하는 형태로서, 예를 들어 모사된 차량에게 제어 커맨드를 명령하는 형태로 상기 차량을 운전한다. 일부 실시예에서, 스피드 컨트롤 모듈은 무작위로 선택된 복수의 트레이닝 시나리오를 통해 차량을 제어하며, 또 일부 실시예에서는, 상기 스피드 컨트롤 모듈은 수백만 가지의 트레이닝 시나리오를 통해 실행한다. 일부 실시예에서, 스피드 컨트롤 모듈에 대한 트레이닝 시나리오의 실행은 병렬적으로, 즉 복수의 훈련 시나리오가 병렬로 실행된다.

적어도 일부 실시예에서, 스피드 컨트롤 모듈은 트레이닝 목표들을 포함하는 시나리오를 실행하며, 이들 목표에는 최소 운전시간, 최소 과속조건, 최소 승객 불편, 최소 정지 오버슈트, 최소 에너지 및/또는 추진에서 제동으로의 최소 스위칭 등과 그에 유사한 목표들이 포함되며 이들 예시에 국한되지 않는다. 승객 불편의 경우 높은 저크 모션, 급가속/급제동 시도 또는 기타 진동을 유발하는 행태(추진에서 제동으로 또는 그 반대로의 잦은 사이클링) 등으로 정량화될 수 있다. 적어도 일부 실시예에서 차량 길이방향의 저크, 길이방향의 가속도, 횡방향 가속도 및/또는 수직 가속도 중 하나 이상에 따라서 승객 불편이 발생한 것으로 본다. 승객 불편은 또한 양 또는 음의 값을 갖는 움직임으로, 예를 들어 전진 또는 후진 가속도로서 정의할 수도 있다. 적어도 일 실시예에서, 최대 길이방향 저크 값은 1 m/sec³이다. 적어도 일 실시예에서, 가속 방향으로의 최대 불편은 1/2 중력이다. 훈련 목표들에는 최소 및/또는 최대 제한속도, 최소 및/또는 최대 도착시간 한도, 및/또는 최소 및/또는 최대 저크 한도를 포함하지만 이들에 제한되지 않는다.

다음 단계는 실제 현장정보에 따라 스피드 컨트롤 모듈의 성능을 테스트하여 차량 모듈이 정확도 임계값의 기대를 충족하는지 여부를 결정하는 단계(412)이다. 스피드 컨트롤 모듈은 독립적인 검증 데이터 세트에 대하여 적정성 오차가 미리 설정된 허용 한도 미만일 때 트레이닝 것으로 간주된다. 실제로, 적어도 일부 실시예에서 예측된 가속도와 실제 가속도 사이의 오차는 속도/가속 프로파일에 대하여 허용범위 내에 있다. 정확도 임계값을 충족하지 못할 경우, 상기 차량 모듈은 추가적인 트레이닝을 위해 이전 단계(410)로 복귀한다.

단계(412)에서 정확도 임계값을 충족하면 스피드 컨트롤 모듈을 차량에 전개하는 단계(414)로 이행한다. 스피드 컨트롤 모듈을 활성화하고 차량 제어 시스템에 대하여 제어 커맨드들을 발생하며, 적어도 일부 실시예에서 상기 제어 커맨드는 차량의 운전자에게 제시된다. 상기 제어 커맨드들은 차량을 다음 정차역으로 이동시키기 위한 추진, 제동 및/또는 타력 운전 명령들을 포함하며 전술한 제약조건 목표들의 한도초과를 최소화한다. 차량이 상기 커맨드들을 실행하는 중에 가이드웨이 상에서 차량의 실제 위치는 센서들로부터 스피드 컨트롤 모듈에게 피드백된다. 상기 센서는 GPS, LIDAR 및/또는 레이더를 포함하며 이에 한정되지 않는다. 적어도 일부 실시예에서, 가이드웨이 상에 설치된 역반사 요소가 차량의 위치를 제공하는데 이용된다. 역반사 요소들을 사용하는 일부 실시예의 경우, 플랫폼 정지 위치의 역반사 요소들이 측정한 범위는 스피드 컨트롤 모듈에 따라 정차된 차량의 정지 정확도를 평가하는 메트릭을 제공한다.

지금까지 설명한 다양한 운전 및 제어 목표들에 따라 성능과 제약조건들을 준수하면서 다음 정차역까지 성공적으로 주행하는 것에 따라 상기 스피드 컨트롤 모듈은 실제 현장의 시스템에 전개될 수 있다는 결정을 내릴 수 있게 된다.

스피드 컨트롤 모듈을 차량 제어 및 센서 인터페이스에 통합하여 현장에 배치한 이후에도 스피드 컨트롤 모듈은 실시간으로 스스로 트레이닝 할 수 있고, 그에 따라 실제 차량 모델의 전체 수명에 걸쳐 성능 저하 등의 변화에 적응하도록 트레이닝 된다. 예를 들어, 제동 시스템의 정상적인 마모 및 갈라짐 등으로 정지거리가 증가함에 따라, 스피드 컨트롤 모듈은 새로운 차량 성능 파라미터들을 학습하고 운전자 및/또는 제어 시스템에서 생성되는 차량 제어 커맨드를 조정할 수 있다.

일부 실시예에서, 가이드웨이는 트랙, 레일, 도로, 케이블, 일련의 반사기, 일련의 표지판, 가시적 또는 비가시적 경로, 투사된 경로, 레이저-안내 경로, GPS-지시 경로, 객체-표지 경로들이고, 또는 차량이 그 상에서, 그 위에서, 그 아래에서, 그 옆에서 또는 이를 따라 주행할 수 있는 가이드, 경로, 트랙, 도로 등의 다른 적절한 포맷들도 포함된다.

설명한 바와 같이, 본 발명의 자기-학습 시스템에 의한 차량 상태 모니터링은 3차원적으로 차량의 속력, 가속도 및 각속도를 모니터링하는 것, 즉, 3D 속도, 3D 가속도 및 3D 각속도를 모니터링하는 것을 포함한다.

지금까지 본 기술 분야의 통상의 기술자가 본 발명에 대하여 보다 쉽게 이해할 수 있도록 여러 실시예에 포함된 특징들을 설명하였다. 본 발명의 기술 분야의 통상의 기술자라면 본 발명과 동일한 목적으로 그리고/또는 실시예들에 포함된 효과를 얻도록, 본 발명의 설명에 따라 쉽게 다른 형태의 방법과 구성으로 변경하거나 수정하는 것이 가능할 것이다. 다시 말해 본 기술 분야의 통상의 기술자에게 위와 같은 수정이나 변경은 본 발명에 설명된 기술적 제시와 범위를 벗어나지 않으며, 본 발명에 설명된 기술적 사상과 범위를 벗어나지 않는 다양한 구성의 교체, 변경과 치환이 가능하다는 점을 유의해야 할 것이다.

Claims (20)

1. 자기-학습 차량 제어 시스템으로서, 상기 차량 제어 시스템은:
   차량 모델 신경망을 실행하는 프로세서를 포함하고, 상기 차량 모델 신경망은 순환(recurrent) 신경망이고, 상기 프로세서는:
   하나 이상의 차량 제어 커맨드들; 및
   차량 상태들의 하나 이상의 시퀀스들을 포함하는 하나 또는 그 이상의 차량 상태 특성(attribute)들의 입력들 중의 하나 이상을 수신하도록 구성되며;
   상기 프로세서와 통신 가능하게 접속된 하나 또는 그 이상의 차량 상태 센서들; 및
   상기 프로세서와 통신 가능하게 접속되고 요청된 스피드 프로파일을 제공하기 위한 출력 디바이스를 더 포함하는, 자기-학습 차량 제어 시스템.
2. 제 1 항에 있어서,
   상기 하나 또는 그 이상의 차량 제어 커맨드들은:
   실제 추진 시도 커맨드;
   실제 제동 시도 커맨드;
   실제 조향 시도 커맨드;
   요청된 속력 커맨드;
   요청된 속력 커맨드의 변경;
   요청된 가속도 커맨드;
   요청된 가속도 커맨드의 변경;
   요청된 조향 커맨드; 또는
   요청된 조향 커맨드의 변경 중 하나 또는 그 이상을 포함하는, 자기-학습 차량 제어 시스템.
3. 제 1 항에 있어서,
   상기 하나 또는 그 이상의 차량 상태 특성들은:
   측정된 차량 위치;
   측정된 차량 속력;
   측정된 차량 가속도; 또는
   측정된 차량 각속도 중 하나 또는 그 이상을 포함하는, 자기-학습 차량 제어 시스템.
4. 제 1 항에 있어서,
   상기 하나 또는 그 이상의 차량 상태 특성들은 상기 차량 제어 시스템에 대한 입력 레이트의 2배인 미리 설정된 샘플링 레이트(sampling rate)로 샘플링되는 것인, 자기-학습 차량 제어 시스템.
5. 제 1 항에 있어서,
   상기 하나 또는 그 이상의 차량 상태 센서들은:
   상기 제어기와 통신 가능하게 접속된 하나 이상의 속도 결정 센서들;
   상기 제어기와 통신 가능하게 접속된 하나 이상의 가속도 결정 센서들; 또는
   상기 제어기와 통신 가능하게 접속된 하나 이상의 각속도 결정 센서들 중 하나 또는 그 이상을 포함하는, 자기-학습 차량 제어 시스템.
6. 제 1 항에 있어서,
   상기 차량 모델 신경망은 상기 하나 또는 그 이상의 차량 제어 커맨드들 및 상기 하나 이상의 차량 상태 특성들에 기초하여 하나 또는 그 이상의 차량 제어루프 특성들을 결정하도록 구성되는 것인, 자기-학습 차량 제어 시스템.
7. 제 6 항에 있어서,
   상기 차량 제어루프 특성들은 상기 하나 또는 그 이상의 차량 제어 커맨드들에 대한 차량 응답 시간, 차량 지연, 차량 주파수 또는 차량 진폭 응답 중 하나 또는 그 이상을 포함하는 것인, 자기-학습 차량 제어 시스템.
8. 제 1 항에 있어서,
   상기 요청된 스피드 프로파일은 상기 하나 또는 그 이상의 차량 제어 커맨드들 범위의 대부분을 실행할 수 있는 것인, 자기-학습 차량 제어 시스템.
9. 제1항에 있어서,
   상기 요청된 스피드 프로파일은 상기 하나 또는 그 이상의 차량 제어 커맨드들 범위의 적어도 75%를 실행할 수 있는 것인, 자기-학습 차량 제어 시스템.
10. 제 1 항에 있어서,
    상기 하나 또는 그 이상의 차량 제어 커맨드들은 상기 차량의 운전 컨트롤들의 위치를 모니터링하도록 구성되는 카메라에 의해 캡처되는 것인, 자기-학습 차량 제어 시스템.
11. 제 1 항에 있어서,
    상기 미리 설정된 스피드 프로파일은 상기 차량의 상기 동작 범위(operating envelope)에 걸쳐 상기 차량의 동적 응답을 특징화하도록 단계적 및 선형적 변경 커맨드들을 포함하는 것인, 자기-학습 차량 제어 시스템.
12. 제 1 항에 있어서,
    상기 차량 상태들의 하나 또는 그 이상의 시퀀스들은 속도들의 시퀀스 또는 가속도들의 시퀀스 중 적어도 하나를 포함하는 것인, 자기-학습 차량 제어 시스템.
13. 제 1 항에 있어서,
    상기 하나 또는 그 이상의 차량 상태 센서들은 경사도, 곡률 및 고도 중 하나 또는 그 이상을 포함하는 차량의 동역학적 데이터의 캡처를 포함하는 것인, 자기-학습 차량 제어 시스템.
14. 자동 스피드 컨트롤 시스템으로서, 상기 스피드 컨트롤 시스템은:
    프로세서를 포함하고, 상기 프로세서는:
    차량 모듈; 및
    상기 차량 모듈과 통신 가능하게 커플링된 스피드 컨트롤 모듈을 포함하는 명령들의 세트를 실행하도록 구성되며;
    상기 스피드 컨트롤 모듈은 차량 상태 속성, 스피드 프로파일 또는 가이드웨이 속성 중 하나 또는 그 이상의 수신에 응답하여 차량 제어 커맨드들을 생성하도록 구성되고, 상기 차량 모듈은 상기 차량 제어 커맨드들을 수신하고 차량 상태 특성들을 생성하도록 구성되고, 상기 스피드 컨트롤 모듈은 상기 생성된 차량 상태 특성들을 수신하도록 구성되는, 자동 스피드 컨트롤 시스템.
15. 제 14 항에 있어서,
    상기 스피드 컨트롤 모듈은 하나 또는 그 이상의 트레이닝 목표들을 충족시키도록 구성되는 것인, 자동 스피드 컨트롤 시스템.
16. 제 15 항에 있어서,
    상기 하나 또는 그 이상의 트레이닝 목표들은:
    최소 운전 시간;
    최소 과속;
    최소 승객 불편;
    최소 정지 오버슈트;
    최소 에너지; 또는
    추진에서 제동으로의 최소 스위칭 중 하나 또는 그 이상을 포함하는 것인, 자동 스피드 컨트롤 시스템.
17. 제 14 항에 있어서,
    상기 스피드 컨트롤 모듈이 하나 또는 그 이상의 제약조건들에 의해 제한되는 것인, 자동 스피드 컨트롤 시스템.
18. 제 17 항에 있어서,
    상기 하나 또는 그 이상의 제약조건들은:
    최소 속력 한도;
    최대 속력 한도;
    최소 도착 시간 한도;
    최대 도착 시간 한도;
    최소 저크(jerk) 한도; 또는
    최대 저크 한도 중 하나 또는 그 이상을 포함하는 것인, 자동 스피드 컨트롤 시스템.
19. 제 14 항에 있어서,
    상기 차량 모듈은 독립적인 검증 데이터 세트에 대한 적합 오차가 사전 규정된 공차 미만일 때 트레이닝된 것으로 간주되는 것인, 자동 속도 제어 시스템.
20. 제 14 항에 있어서,
    상기 스피드 컨트롤 모듈은 상기 스피드 컨트롤 모듈이 설정된 허용한도 내에서 검증 시나리오의 포트폴리오를 성공적으로 완료한 때에 트레이닝된 것으로 간주되는 것인, 자동 스피드 컨트롤 시스템.

Images