KR20210105412A

KR20210105412A - 자동차의 궤적을 모니터링하는 장치 및 방법

Info

Publication number: KR20210105412A
Application number: KR1020217023046A
Authority: KR
Inventors: 페드로 크비에스카; 시몽 무스타키
Original assignee: 르노 에스.아.에스.
Priority date: 2018-12-21
Filing date: 2019-12-12
Publication date: 2021-08-26
Also published as: FR3090544A1; KR102613538B1; EP3898366A1; FR3090544B1; WO2020126840A1; US20220081028A1

Abstract

자동차의 궤적을 제어하는 장치에 장착된 예측기 모듈을 설정하는 방법은, - 상기 장치의 피드백 모듈의 기여도 및/또는 이상적인 궤적으로부터의 측면 편차를 고려하여 만곡부 상에서 부적합한 예측기 모듈을 검출하는 단계(E13); - 1차 매개변수들을 결정하는 단계(E14); - 상기 결정된 1차 매개변수들을 고려하여 최적화 기반 계산 방법을 사용해 2차 매개변수를 계산하는 단계(E15); 및 - 상기 계산된 2차 매개변수를 고려하여 상기 자동차의 바이시클(bicycle) 모델을 업데이트하는 단계(E16, E17);를 포함한다.

Description

자동차의 궤적을 모니터링하는 장치 및 방법

본 발명은 자동차의 궤적 제어에 관한 것으로, 더 구체적으로는 궤적 제어 장치 및 방법에 관한 것이다.

자동차들에는 종종 운전자가 차량을 차선에 유지하는 데 도움이 되는 궤적 제어 장치들이 장착되어 있다. 그들은 차량의 구동 휠들의 잠금 각도를 수정함으로써 차량의 스티어링에 작용한다. 제어 법칙은 구현되고 차선의 중앙에 유지시키는 기능 - 이는 또한 차선 중앙유지 보조기능(Lane Centering Assist)으로 알려져 있으며 약어 "LCA"로도 알려짐 - 을 포함하는 유형의 쾌적 제어 법칙일 수 있다. 상기 제어 법칙은 또한 차로 이탈 방지를 보조하는 기능 - 이는 차로 이탈방지 보조기능(Lane Keeping Assist)으로 알려져 있거나 약어 "LKA"로 알려짐 - 을 포함하는 유형의 안전 제어 법칙일 수 있다.

이러한 맥락에서, 일반적으로 반사적 반응(jerk)들을 방지하는 유연한 제어 법칙을 구현하도록 하는 선택이 이루어진다. 따라서 운전자의 기습(奇襲) 반응이 방지되고 차량 탑승자의 쾌적함이 향상된다.

피드백 모듈을 포함하는 궤적 제어 장치는 이러한 제어 법칙을 구현하는 것을 가능하게 한다. 상기 피드백 모듈은 폐쇄 루프를 생성하고 느린 동역학을 나타낸다. 제공되는 서비스 레벨을 개선하기 위해 예측기 모듈도 추가될 수 있다. 상기 예측기 모듈은 상기 피드백 모듈에 의해 공급되는 폐쇄 루프 항(closed-loop term)에 개방 루프 항(open-loop term)을 추가한 것이다.

예를 들어 차량 궤적의 실시간 제어를 위한 장치를 예시하는 문헌 FR 3 051 756에 대해 참조가 이루어질 수 있다. 이러한 장치는 폐쇄 루프 항을 생성하는 피드백 모듈과 개방 루프 항을 생성하는 예측기 모듈을 포함한다. 폐쇄 루프는 항상 직선으로 간주되는 가상 차선의 중앙에 차량을 유지하는 것이다. 개방 루프는 곡률을 고려하고 제어 및 상태에 대한 방향전환(turn)의 효과를 중화하는 것이다.

이러한 장치는 전반적인 만족, 특히 승객들의 안전을 결코 해치지 않는 전반적인 만족을 제공하지만, 일부 차량 사용 상황들에서는 차량의 비정상적인 이탈 또는 오버스티어링의 발생과 같은 운전자에게 불쾌한 상황들이 야기될 수 있다. 예를 들어, 차량에 과부하가 걸릴 경우, 차선 중앙에 대한 차량의 비정상적인 편차가 때때로 관측된다.

이러한 단점을 완화하기 위해, 폐쇄 루프가 폐쇄 루프에 의해 수정되도록 상기 편차 또는 오버스티어링에 대해 더 동적으로 이루어질 수 있다. 그럼으로써 차량 탑승자의 우수한 안전이 보장된다. 그러나 더 동역학적인 폐쇄 루프가 운전자와 차량 탑승자에게는 덜 쾌적하게 한다.

상기 내용에 비추어 볼 때, 본 발명의 목적은 위에서 언급한 결점들을 개선하는 것이다.

더 구체적으로, 본 발명은 차선 내에 머물기 위해 특히 방향전환의 발생 시 차선 내에 머물기 위해 궤적 제어를 구현할 때 차량의 쾌적함을 향상시키는 것을 그 목적으로 한다.

이를 위해, 자동차의 궤적을 제어하는 장치에 장착된 예측기 모듈을 설정하는 방법이 제안되고, 상기 방법에서는,

- 상기 제어 장치의 피드백 모듈의 기여도 및/또는 이상적인 궤적에 대한 측면 편차를 고려하여 방향전환 시 상기 예측기 모듈이 부적합한지 여부가 검출되고,

- 1차 매개변수들이 결정되며,

- 2차 매개변수가 상기 결정된 1차 매개변수들을 고려하여 최적화 기반 계산 방법에 의해 계산되고, 그리고

- 상기 자동차의 바이시클(bicycle) 모델이 상기 계산된 2차 매개변수를 고려하여 업데이트된다.

이와 같은 방법에 의해 상기 예측기 모듈의 설정을 보정할 수 있다. 그 결과 상기 예측기 모듈에 의해 더 확실하게 상기 궤적 편차가 보정되고 결과적으로는 상기 피드백 모듈의 기여를 감소시킬 가능성이 있어 상기 자동차에 더 나은 쾌적함을 제공한다. 특히, 앞서 설명한 차선 중심에 대한 비정상적인 편차는 특히 상기 자동차의 동역학에 대한 하중의 영향에서 비롯된다. 본 발명에 따른 방법은 이러한 영향을 고려하는 것을 가능하게 한다.

바람직하게는 다음과 같은 경우 상기 예측기 모듈이 부적합한 것으로 검출된다.

- 이상적인 궤적에 대한 측면 편차가 사전에 정의된 편차 임계값보다 큰 경우, 및

- 스티어링 제어를 위한 상기 예측기 모듈의 기여도에 대한 상기 피드백 모듈의 기여도의 비율이 사전에 정의된 비율 임계값보다 큰 경우.

이러한 검출을 통해 상기 예측기 모듈 설정의 보정이 필요한 조건을 더 잘 식별할 수 있다.

바람직하게는, 상기 자동차의 바이시클 모델이 업데이트될 때, 상기 2차 매개변수를 고려하여 상기 보정된 바이시클 모델의 특성 데이터를 결정하고, 상기 보정된 바이시클 모델의 특성 데이터와 현재 바이시클 모델의 특성 데이터 간 평균이 계산되며 그리고 현재 바이시클 모델의 특성 데이터가 상기 계산된 평균으로 대체된다.

이러한 업데이트 단계를 통해 상기 설정 방법의 견고성을 높일 수 있다.

상기 2차 매개변수와 관련하여 다양한 변형 예가 예상될 수 있다.

제1 변형 예에 의하면, 2차 매개변수의 계산은 보정된 언더스티어링 그라디언트(corrected understeering gradient)의 계산을 포함하고, 상기 보정된 언더스티어 그라디언트는 바람직하게는 상기 자동차의 바이시클 모델의 특성 데이터이다.

이러한 변형 예는 메모리 및 계산 자원이 덜 필요하다는 점에서 바람직하다.

바람직하게는, 상기 1차 매개변수들은 차선 곡률, 차량의 속도 및 스티어링 휠 각도를 포함하며, 상기 보정된 언더스티어링 그라디언트는 스티어링 휠 각도 편차의 최소화에 의해, 그리고 유리하게는 하기 함수, 즉 수학식 1의 최소화에 의해 계산된다.

상기 수학식 1에서, L _tot 는 차량의 휠베이스(wheelbase)이며, d 는 차량 스티어링 칼럼(steering column)의 감속비(gear reduction ratio)이고,

는 반복(i)에 관계없는 언더스티어링 그라디언트이며, ρ(i) 는 반복(i)시 차선 곡률이고, v(i) 는 반복(i)시 차량 속도이며 그리고 SWA _measured (i) 는 반복 i 동안의 스티어링 휠 각도이다.

제2 변형 예에 의하면, 상기 2차 파라미터의 계산은 보정된 프론트 트레인 스티프니스(corrected front train stiffness) 및/또는 보정된 리어 트레인 스티프니스(corrected rear train stiffness)의 계산을 포함한다.

상기 방법은 선택적으로 중량, 관성, 질량 중심의 위치와 같은 상기 바이시클 모델의 다른 매개변수를 식별하는 것을 포함할 수 있다.

바람직하게는, 상기 1차 매개변수들은 이상적인 궤적에 대한 측면 편차, 차량의 종방향 속도, 차량의 진행 각도, 스티어링 휠 각도 및 차선 곡률을 포함하고, 기준 궤적은 상기 1차 매개변수들로부터 이루어지며, 최적화는 차량의 현재 바이시클 모델의 특성 데이터로부터 결정된 차량 궤적과 기준 궤적 간 편차를 최소화함으로써 구현된다.

유리하게는, 상기 기준 궤적은 하기 관계, 즉 수학식 2를 적용함으로써 상기 1차 매개변수들에 기초하여 이루어진다.

상기 수학식 2에서는, t _k 는 반복(k)시 상대적인 순간이고, ( X _ref (t _k ),Y _ref (t _k ) ) 는 상기 순간(

)에서의 기준 궤적의 좌표 쌍이며, ( X _road (t _k ),Y _road (t _k ) ) 는 상기 순간(

)에서의 차선 중심 궤적의 좌표 쌍이고, y _L (t _k ) 는 차선 중심 및 차량의 무게 중심 간 측면 오프셋이며, Ψ _rel 은 차량의 상대적인 요(yaw) 각도이고, Ψ _road (t _k ) 는 상기 순간(

)에서의 차선 중심 궤적에 접하는 각도이며, 상기 차선 중심 궤적의 좌표 쌍과 차선 중심 궤적에 대한 접선 각도는 초기화 관계, 즉 하기 수학식 3 및 반복 관계, 즉 하기 수학식 4를 적용함으로써 결정된다.

다른 한 실시 예에서, 차량의 바이시클 모델은 차량의 미사용 기간마다 리셋(reset)된다.

이러한 리셋은 차량을 사용하지 않는 기간 동안 차량의 사용 조건이 변경된 경우 부적합한 예측기 모듈을 갖는 것을 회피하기 때문에 더 특히 유리하다.

다른 일 실시형태에 의하면, 프로세서 또는 전자 제어 유닛에 의해 실행될 때 이전에 정의된 바와 같은 방법을 구현하도록 구성된 코드를 포함하는 컴퓨터 프로그램이 제안된다.

또 다른 일 실시형태에 의하면, 차량의 궤적을 제어하는 장치에 장착된 예측기 모듈을 설정하기 위한 장치가 제안되며, 상기 장치는, 제어 장치의 피드백 모듈의 기여도 및/또는 이상적인 궤적에 대한 측면 편차를 고려함으로써 방향전환시 상기 예측기 모듈이 부적합한지를 결정하도록 구성된 검출 모듈, 1차 매개변수들을 결정하기 위한 모듈, 상기 결정 모듈에 의해 결정된 1차 매개변수들을 고려하여 최적화 기반 계산 방법에 의해 2차 매개변수를 계산할 수 있는 계산 모듈 및 상기 계산 모듈에 의해 계산된 상기 2차 매개변수를 고려하여 차량의 바이시클 모델을 업데이트하도록 구성된 업데이트 모듈을 포함한다.

본 발명의 다른 목적, 특징 및 이점은 순전히 비-제한적인 예로서 주어지고 첨부도면을 참조하여 주어진 이하의 설명을 읽으면 명백해질 것이다.

도 1은 자동차의 궤적을 제어하기 위한 장치의 개략도이다.
도 2는 도 1에 도시된 장치의 설정 장치의 개략도이다.
도 3은 본 발명의 제1 실시 예에 따른 방법을 보여주는 도면이다.
도 4 및 도 5는 도 3에 나타낸 방법 중 피드백 모듈 및 예측기 모듈의 기여도 및 측면 편차를 나타내는 그래프들이다.
도 6은 도 3에 나타낸 방법 중 2차 매개변수의 계산을 보여주는 도면이다.
도 7은 본 발명의 제2 실시 예에 따른 방법을 보여주는 도면이다.
도 8은 도 7의 방법 중 2차 매개변수의 계산을 보여주는 도면이다.

도 1은 자동차(도시되지 않음)에 합체되도록 의도된 궤적 제어 장치(2)를 블록도 형태로 보여준다. 상기 장치(2)는 "지능형 운전자 보조 시스템(advanced driving assistance system)"이며, 이는 "advanced driver assistance system"로도 알려져 있거나 또는 그에 상응하는 약어 "ADAS"로 알려져 있다. 더 구체적으로는, 상기 장치(2)의 기능은 자동차를 가상 차선의 중앙에 유지하도록 자동차의 스티어링 시스템의 제어를 생성하는 것이다.

이를 위해, 도 1의 블록도에는 상기 장치(2)가 합체된 자동차에 상응하는 제1 블록(4)이 포함되어 있다. 블록(4)은 스티어링 휠 각도 요청인 입력을 받는다. 상기 블록(4)은 이용 가능한 측정값 - 이러한 특정의 경우 요 속도(yaw speed), 도로에 대한 상대적인 요 각도, 측면 편차 및 스티어링 휠 각도 - 인 출력을 전달한다. 상기 블록도에는 관측기, 센서 또는 추정기에 상응하는 제2 블록(6)이 포함되어 있다. 상기 블록도에는 예를 들어 이득 벡터로 구성된 교정기(corrector)에 상응하는 제3 블록(8)이 포함되어 있다.

상기 장치(2)는, 상기 블록(4)의 하류(downstream)에 연결되고 관측기(6)를 포함하며 감산기(12)에 공급되는 제1 복귀 루프(10)를 포함한다. 상기 장치(2)는 상기 블록(8)과 상기 블록(4) 간 연결 지점으로부터 에서 상기 블록(6)으로 연장되는 제2 복귀 루프(14)를 포함한다. 본원에서, 상기 루프들(10, 14), 상기 블록(6) 및 상기 감산기(12)로 구성된 세트는 "피드백 모듈"로 지정된다.

상기 블록(6)의 관측기는 바이시클 모델(bicycle model)에 기반한 상태 표현(state representation)을 구현한다. 본원에서 "바이시클 모델"이라는 표현은 상기 장치(2)에 의해 사용되는 자동차의 바이시클 모델을 의미한다. 상기 바이시클 모델은 특히 예측 항(anticipation term) 계산의 맥락에서 소프트웨어 수단에 의해 사용된다. 상기 바이시클 모델은 상태 벡터 x에 기반하여 이루어지며, 그의 성분들은 이하 7가지 상태이다:

-

: 도로에 대한 차량의 상대적인 헤딩 각 속도(relative heading angle speed);

-Ψ _rel : 도로에 대한 차량의 상대적인 헤딩 각;

-

: 도로에 대한 차량의 횡방향 속도(lateral speed);

- y _L : 도로에 대한 차량의 측면 편차,

-

: 프론트 휠 각 속도;

- δ: 잠금 각, 이 경우 프론트 휠 각;

-

: 측면 편차의 적분.

상기 장치(2)는 예측기 모듈(16)을 더 포함한다. 상기 예측기 모듈(16)은 도 1의 블록도에서 2개의 점선 직사각형으로 개략적으로 나타나 있다. 상기 모듈(16)은 "피드포워드 모듈(feedforward module)"로도 알려져 있다.

상기 예측기 모듈(16)은 상기 블록(4)과 상기 루프(14)의 연결 지점 사이에 위치한 가산기(summer; 18)를 포함한다. 상기 가산기(18)는 개방 루프 항(δ_eq)을 가산한다.

상기 예측기 모듈(16)은 상기 블록(6)과 상기 루프(10)의 연결 지점 사이에 배치된 감산기(20)를 포함한다. 상기 감산기(20)는 상기 루프(10)로부터 개방 루프 벡터를 감산한다.

상태 표현은 하기 수학식 5 및 6

으로 표기되며, 상기 수학식 중에서, C _f 는 프론트 액슬(front axle)의 등가 스티프니스이며, C _r 은 리어 액슬(rear axle)의 등가 스티프니스이고, L _f 는 프론트 액슬과 무게 중심(center of gravity) 간 거리이며, L _r 은 무게 중심과 리어 액슬 간 거리이고, m은 차량의 무게이며, I _Z 는 차량의 관성 모멘트이고, v는 차량의 종방향 속도이다.

이러한 바이시클 모델은 현실의 간략화인 것이다. 그러나, 상기 장치(2)에 의해 사용되는 바이시클 모델의 특성 데이터는 차량의 구성, 특히 차량의 무게 분포, 타이어의 압력 등과 같은 구성 매개변수와 직접적으로 연관된다.

폐쇄 루프 측면 제어는 직선에 상응하는 0 주변의 상태 벡터 x를 최소화하는 것을 그 목적으로 한다. 방향전환이 발생하면, 3가지 상태 - 다시 말하면 상대적인 헤딩 각(Ψ _rel ), 상대적인 헤딩 각 속도(

) 및 프론트 휠에 대한 잠금 각(δ) - 가 보정되어야 한다. 상기 각(δ)은 스티어링 칼럼의 감속비에 상응하는 이득을 지니는 2차 동역학에 의해 상기 스티어링 휠 각도와 연관된다.

상기 모듈(16)의 성능을 개선하기 위해, 상기 장치(2)는 도 2에 나타낸 설정 장치(22)를 포함한다.

도 2를 참조하면, 상기 장치(22)는 검출 모듈(24)을 포함한다. 상기 모듈(24)은 이상적인 궤적에 대한 차량의 측면 편차를 정량화하기 위해 상기 장치(2)의 블록(6)과 정보 링크를 지닌다. 예시된 예에서, 상기 이상적인 궤적은 차량이 주행하고 있는 차선의 중심선이다. 상기 모듈(24)은 또한 상기 장치(2)의 예측기 모듈(16) 및 상기 피드백 모듈과 정보 링크를 지닌다. 그래서, 상기 모듈(24)은 차량의 스티어링 제어를 위한 상기 피드백 모듈의 기여도를 차량의 스티어링 제어를 위한 상기 예측기 모듈(16)의 기여도와 비교할 수 있다. 그래서, 상기 모듈(24)에는 상기 모듈(16)이 방향전환시 부적합한지를 검출하기 위한 하드웨어 및 소프트웨어 수단이 구비된다.

상기 장치(22)는 결정 모듈(26)을 포함한다. 상기 모듈(26)은 상기 모듈(24)과 정보 링크를 지닌다. 더 구체적으로는, 상기 모듈(26)은 상기 예측기 모듈(16)이 방향전환시 부적합함을 상기 모듈(24)이 검출한 경우에 활성화되도록 구성된다. 상기 모듈(26)은 상기 블록(6)과, 그리고/또는, 상기 센서들과, 그리고/또는 복수의 1차 매개변수들을 검출하기 위해 자동차에 장착된 추정기들과, 정보 링크를 지닌다.

상기 장치(22)는 계산 모듈(28)을 포함한다. 상기 모듈(28)은 상기 모듈(26)과 정보 링크를 지닌다. 더 구체적으로는, 상기 모듈(28)은 상기 모듈(26)이 1차 매개변수들을 결정한 경우 2차 매개변수들 중 하나 이상의 2차 매개변수들을 계산하도록 구성된다. 이러한 특정의 경우에, 상기 모듈(28)은 상기 모듈(26)에 의해 결정된 1차 매개변수들에 기초하여 최적화 기반 계산 방법을 구현한다.

상기 장치(22)는 업데이트 모듈(30)을 더 포함한다. 상기 모듈(30)은 상기 모듈(28)에 의해 계산된 2차 매개변수 또는 매개변수들을 고려함으로써 상기 장치(2)에 의해 사용되는 차량의 바이시클 모델을 업데이트할 수 있도록 상기 모듈(28)과 정보 링크를 지닌다.

도 3을 참조하면, 본 발명의 제1 실시 예에 의한 방법이 개략적으로 나타냐 있다. 상기 방법은 도 2에 나타낸 장치(22)에 의해 구현된다. 이러한 실시 예에서, 개방 루프 항의 계산은 하기 수학식 7

을 적용함으로써 결정되고, 상기 수학식 7에서, ρ 는 차선의 곡률이며, L _tot 는 차량의 휠베이스이고, v 는 차량의 속도이며, 이 경우에 종방향 속도이고,

는 하기 수학식 8

에 의해 결정되는 언더스티어링 그라디언트(understeering gradient)이다.

상기 방법은 정기적으로 예를 들어 매 10ms마다 구현된다. 상기 방법은 제1 테스트 단계 E11을 포함한다. 상기 단계 E11 동안, 차량이 미사용 기간을 방금 시작했는지 여부에 대한 결정이 이루어진다. 예를 들어, 상기 단계 E11 동안 자동차에 장착된 엔진의 정지를 결정할 수 있다. 상기 단계 E11에서 차량이 미사용 기간에 진입한 것으로 검출되면, 단계 E12가 적용된다. 그러하지 않으면 테스트 단계 E13이 구현된다. 단계 E12 동안, 바이시클 모델의 매개변수들은 초기화 값들로 리셋된다.

단계 E13은 방향전환 동안 구현된다. 이러한 단계에서, 상기 장치(2)가 합체된 차량의 사용 조건에 상기 모듈(16)이 부적합한지에 대한 검출이 이루어진다. 상기 단계 E13은 상기 모듈(24)에 의해 구현된다. 더 구체적으로는, 상기 단계(E13) 동안, 이상적인 궤적에 대한 측면 편차가 모니터링되고 스티어링 잠금 제어를 위한 상기 모듈(16) 및 상기 피드백 모듈의 대응하는 기여도들이 모니터링된다.

더 구체적으로는, 예시된 예에서, 최대 측면 편차의 절대값이 0.2m와 동일한 편차 임계값(s_e)을 초과하는 경우 그리고 최대 측면 편차의 순간에 상기 모듈(16)의 기여도에 대한 상기 피드백 모듈의 기여도의 비율에 대한 절대값이 0.1과 동일한 비율 임계값(s_r) 이상인 경우 상기 모듈(16)이 부적합한 것으로 검출된다.

도 4를 참조하면, 본 도면은 측면 편차(y _L )를 개략적으로 나타내고 두 번째 그래프에서는 상기 모듈(16)이 차량의 사용 조건에 적합할 때 곡률이 3x10^-3m^- ¹인 경우 90km/h에서 방향전환을 위한 상기 모듈(16)의 기여도(θ _FF ) 및 상기 피드백 모듈의 기여도(θ _FB )를 개략적으로 나타낸다.

도 5는 동일한 방향전환시 상기 모듈(16)이 차량의 사용 조건에 부적합할 때상기 편차(y _L ) 및 상기 기여도들(θ _FF , θ _FB )의 경향을 보여준다. 더 구체적으로, 상기 모듈(16)에 의해 사용되는 바이시클 모델의 특성 데이터(C _f , C _r )를 어떤 식으로든 수정하지 않고 차량의 프론트 및 리어 트레인 스티프니스가 30% 만큼 증가되었다. 이러한 시나리오는 예를 들어 자동차의 사용자가 타이어들을 교체할 때 발생할 가능성이 있다. 도 4 및 도 5에서, θ_tot는 스티어링 잠금 제어에 대한 총 기여도, 다시 말하면 상기 기여도들(θ _FF , θ _FB )의 합에 상응한다.

도 4의 그래프들로부터 최대 편차(y _L )가 절대값으로 0.16m 정도임을 알 수 있다. 최대 편차(y _L )가 발생하면, 상기 기여도(θ _FB )는 1° 미만인 반면 상기 기여도(θ _FF )는 10°이다. 이와는 대조적으로, 도 5로부터 최대 편차(y _L )가 0.33m 정도임을 알 수 있다. 이때 상기 기여도(θ _FB )는 -1.8°정도이고 상기 기여도(θ _FF )는 12°이다. 이러한 결과로부터, 그리고 위에서 언급한 임계값들(s_e, s_r)과 비교해보면, 상기 모듈(16)은 도 5의 경우에 부적합한 것임이 명백해진다.

상기 모듈(16)은 정상 상태 조건에 있는 모듈의 역(inversion)에 상응한다. 상기 바이시클 모듈이 방향전환시 잘 식별되면, 상기 편차(y _L )가 작아지게 되고 상기 기여도(θ _FF )가 상기 기여도(θ _FB )보다 우세해지게 된다. 유리하게는, 상기 단계 E13은 횡방향 가속도가 가속도 임계값(s_a)보다 높을 때에만 트리거된다. 그래서, 부적합한 예측기 모듈의 검출은 측면 동역학이 충분히 여기(勵起)된 경우에만 구현된다. 그 결과 상기 검출의 관련성이 더 개선된다.

다시 도 3을 참조하면, 상기 단계 E13 동안에 상기 모듈(16)이 부적합한 것으로 검출되면, 단계 E14가 구현된다. 상기 단계 E14는 다음 방향전환 동안 구현된다. 상기 단계 E14는 상기 모듈(26)에 의해 구현된다. 상기 단계 E14 동안, 1차 매개변수들 - 이러한 특정의 경우에, 차선의 곡률(ρ), 차량의 종방향 속도(v), 스티어링 휠 각도(SWA _measured ) 및 시간(t) - 이 결정된다.

다음으로, 2차 매개변수 계산의 단계 E15가 구현된다. 상기 단계 E15는 상기 모듈(28)에 의해 구현된다. 더 구체적으로는, 상기 2차 매개변수는 상기 단계 E14 동안 결정된 1차 파라미터들에 기초한 최적화 기반 계산 방법에 의해 계산된다. 이러한 최적화는 상기 모듈(16)이 거의 모든 스티어링 잠금 제어를 제공하고 상기 기여도(θ _FB )가 방향전환시 거의 0이 되도록 언더스티어 그라디언트(

)를 구하는 것으로 이루어진다.

도 6은 최적 그라디언트(

)의 계산을 개략적으로 보여준다. 도 6의 도면은 Simulink 소프트웨어로부터 획득된 것이다.

도 6의 도면은 결정해야 할 변수, 이러한 특정의 경우에

(Grad_sv)를 입력하기 위한 블록(32)을 포함한다.

상기 블록(32)은 순 이득(pure gain) 블록(34)에 링크된다. 상기 블록(34)의 기능은 디그리(degree)들을 라디안(radian)들로 변환하기 위해 결정해야 할 변수를 곱하고 스티어링 휠 각도와 프론트 휠들에서의 잠금 각도 사이의 감속비를 적용하는 것이다. 상기 블록(34)으로부터 획득된 결과는 곱셈기 블록(36)으로 보내진다.

1차 매개변수 입력 블록(44)은 차량의 속도(v)(speed)가 입력되게 한다. 상기 블록(44)은 상기 블록(34)으로부터 획득된 결과를 차량의 속도의 제곱으로 곱하게 하도록 상기 블록(36)에 연결된다.

상기 블록(36)의 결과는 가산기 블록(38)에 공급된다. 상기 블록(38)은 차량의 휠베이스에 상응하는 상수(Ltot)를 입력하기 위한 블록(46)과 링크된다.

상기 블록(38)에 의해 계산된 합계의 결과는 승산기 블록(40)에 공급된다. 상기 블록(40)은 차선의 곡률(ρ)(로(rho))를 입력하는 것을 가능하게 하는 1차 매개변수를 입력하기 위한 블록(48)과 통신한다.

상기 블록(40)에 의해 계산된 곱셈(product)의 결과는 순 이득 블록(42)에 공급된다. 상기 블록(42)은 라디안들을 디그리들로 변환하기 위해 이러한 결과를 곱한다. 디그리들로 획득된 결과는 출력 블록(50)에 공급되는 디그리들 단위의 스티어링 휠 각도(SWA_deg)이다.

적합한 그라디언트(

)를 구하기 위해, 입력들, 즉 상기 블록(44)의 속도(v) 및 상기 블록(48)의 곡률(ρ)이 입력된다. 알고리즘은 상기 블록(50)에서 획득된 출력(SWA_deg)이 최소 제곱의 방식으로 실제 스티어링 휠에 대한 각도(SWA _measured )에 상응하게 하는 그라디언트(

)를 검색한다. 그리하여, 하기 수학식 9

와 같이 정의된 함수(f)는, 상기 그라디언트의 함수로서 최소화를 추구한다.

예시된 예에서, 최적화는 일련의 측정들을 통해 수행된다. 방향전환 동안, 여러 번의 반복이 구현된다. 반복 i 동안, 상기 1차 매개변수들(ρ(i), v(i), SWA _measured (i))이 결정된다. 마지막 반복 i=n 후에, 상기 함수(f) f는 반복 1 내지 n을 고려함으로써 최소 제곱의 방식으로 최소화된다. 이러한 수학식에서, L _tot 는 차량의 휠베이스이고, d 는 차량의 스티어링 칼럼의 감속비이다. 적합한 그라디언트(

)를 결정하기 위해 구현될 수 있는 알고리즘의 예는 Matlab 소프트웨어 함수(Matlab software function) "Lsqnonlin"이다. 단계 E15의 종료에서, 2차 매개변수 - 이러한 특정의 경우에, 언더스티어링 그라디언트 값(

) - 가 결정되었다.

상기 단계 E15에 이어, 바이시클 모델을 업데이트하는 단계 E16이 구현된다. 상기 단계 E16 동안, 현재 그라디언트(

)와 상기 단계 E15 동안 계산된 보정 그라디언트(

) 간의 평균이 계산된다. 그 결과는 하기 수학식 10

과 같은 언더스티어링 그라디언트 평균(

)이다.

비록 예시된 예에서 현재 및 보정 그라디언트들 간의 평균이 계산되지만, 본 발명의 범위를 벗어나지 않고 다른 유형의 계산, 예를 들어 하기 수학식 11

과 같은 가중치 산술 평균을 구상하는 것이 물론 가능하다.

예시된 예에서, 그라디언트(

)는 바이시클 모델의 특성 데이터이다. 따라서, 상기 단계 E16 동안, 보정 바이시클 모델의 특성 데이터가 결정되었다. 그러나, 다른 특성 데이터를 지니는 바이시클 모델을 구상함에 있어서 본 발명의 범위를 벗어나는 것은 물론 아니다. 대안적인 예에 의하면, 상기 단계 E15 동안 결정된 그라디언트(

)는 하기 수학식 12

를 사용하여 차량의 한 쌍의 드리프트 스티프니스들(C _f , C _r )을 결정하는 데 사용될 수 있다.

그 다음으로는, 상기 방법은, 상기 그라디언트(

)가 상기 평균(

)으로 대체되게 하는 단계 E17을 포함한다. 상기 단계들 E16 및 E17은 상기 모듈(30)에 의해 구현된다. 이와 같이, 바이시클 모델은 최대한 실제상황에 가까운 모델로 수렴하게 되고, 차량의 실제 구성에 더 적합하게 되는 모듈(16)의 기여도(θ _FF )가 방향전환시 점차 우세해진다. 이때, 자동차의 운전자 및 탑승자들에 대한 쾌적함이 향상되도록 상기 피드백 모듈의 동역학을 줄이는 것이 가능하다.

도 7을 참조하면, 본 발명의 제2 실시 예에 의한 방법이 나타나 있다. 동일한 요소들은 동일한 참조들을 지닌다. 상기 단계 E14는 단계 E24로 대체되고, 상기 단계 E15는 단계 E26으로 대체되며, 단계 E25는 상기 단계들 E24 및 E26 사이에 합체된다. 이러한 실시 예에서, 개방 루프 항의 계산은, 하기 수학식 13

을 적용함으로써 결정된다.

상기 단계 E24 동안, 결정된 1차 매개변수들은 이상적인 궤적에 대한 측면 편차(y _L ), 차량의 속도(v) - 이 경우에, 차량의 종방향 속도 -, 차량의 상대적인 헤딩 각(Ψ _rel ), 스티어링 휠 각도(SWA _measured ) 및 차선의 곡률(ρ)이다.

상기 단계 E25 동안, 기준 궤적은 상기 단계 E24에서 결정된 1차 매개변수들로부터 구성된다. 더 구체적으로는, 상기 기준 궤적은 기록 개시시 차량의 위치와 헤딩이 직교 기준 좌표계(x,y)의 원점을 정의함을 인정함(H1)으로써 그리고 반복 공식을 사용하여 상기 궤적을 계산함으로써 직교 기준 좌표계(x,y)에서 결정된다.

그러한 가정(H1)이 주어지면, t = 0에서:

하기 수학식 14

가 성립되고, 상기 수학식에서, Ψ _road , X _road 및 Y _road 는 각각 차선 중심 궤적의 헤딩 각, 가로축, 세로축이다.

시간에 대한 차선 중심 궤적의 헤딩 각의 드리프트는 하기 수학식 15

와 같이 표기된다.

이러한 수학식을 시간에 대해 적분함으로써, 하기 수학식 16

은 이산 형식으로 획득된다.

이러한 변수를 사용하면 도로의 궤적이 하기 수학식 17

과 같은 절대 기준 좌표계에서 재구성될 수 있다.

이와 같이, 차선 중심 궤적이 추정된다. 차선 중심 궤적의 헤딩 각, 상대적인 요 각도 및 절대적인 요 각도 간의 관계는 하기 수학식 18

과 같이 표기된다.

이러한 수학식으로부터 그리고 측면 편차(y _L ) 및 측정된 상대적인 요 각(Ψ _rel )의 측정들로부터, 차량에 의해 실제로 추종되는 궤적은 하기 수학식 19

와 같은 절대 기준 좌표계에서 차선 중심 궤적을 중심으로 구성된다.

상기 단계 E26 동안, 동일한 종방향 속도 및 동일한 스티어링 휠 각도로 여기될 때 기준 궤적을 재현하는 바이시클 모델을 찾으려고 한 것이다. 이러한 계산은 도 8의 도면을 참조하여 설명될 것이다. 도 8의 도면은 결정해야 할 변수들을 입력하기 위한 2개의 블록(52)을 나타낸다. 더 구체적으로는, 상기 블록들(52)은 프론트 트레인을 통한 드리프트(C _f )의 스티프니스 및 리어 트레인을 통한 드리프트(C _r )의 스티프니스에 상응하는 변수들의 입력을 허용한다. 비록 예시된 예에서 결정해야 할 변수들이 드리프트의 스티프니스들이지만, 본 발명의 범위를 벗어나지 않고 결정해야 할 다른 변수들, 예를 들어 관성 모멘트(I _Z ), 거리(L _f , L _r ) 또는 심지어는 무게(m)를 구상하는 것이 물론 가능하다.

도 8의 도면은 4개의 상수 입력 블록(54)을 포함한다. 예시된 예에서, 입력된 상수들은 차량의 거리(L _f ), 거리(L _r ), 휠베이스(L _tot (Ltot)) 및 무게(m(Mtot))에 상응한다.

도 8의 도면은 2개의 1차 매개변수 입력 블록(56, 58)을 포함한다. 상기 블록(56)은 속도(v(speed))가 입력되게 한다. 상기 블록(58)은 스티어링 휠 각(SWA _measured (SWA_rad))이 라디안으로 입력되게 한다.

도 8의 도면은 상태 표현의 행렬 A가 생성되게 하는 행렬 생성 블록(60)을 포함한다. 도 8의 도면은 프론트 휠들에서의 잠금 각도를 획득하도록 블록(58)에 입력된 각도를 감속비로 나누고 이를 순 이득(62)으로 곱하는 블록을 포함한다.

도 8의 도면은 블록(62)의 결과를 블록(60)에 의해 생성된 행렬로 곱한 행렬 승산기 블록(64; matrix multiply)을 포함한다. 적분기 블록(66; integrator), 행렬 승산기 블록(68) 및 가산기(70)는 상기 블록(64)의 출력에 배치된다.

적분기(66)의 하류(downstream)에 있는 적분기 블록(72) 및 가산기(74)는 결과를 코사인 블록(76)에 공급하고, 코사인 블록(76)의 출력은 곱셈 블록(78)에 의해 속도(v)로 곱해지고 적분기 블록(80)에 의해 적분된다. 병렬로, 위에서 언급한 결과는 사인 블록(82)에 제공되며, 사인 블록(82)의 출력은 곱셈 블록(84)에 의해 속도(v)로 곱해지고 적분기 블록(86)에 의해 적분된다. 2개의 출력 블록(88, 90)은 상기 블록들(80, 86)에 의해 각각 적분된 신호들(X _veh , Y _veh )를 수집한다.

도 8에 상응하는 계산 모델은 속도(v)로부터 그리고 스티어링 휠 각도(SWA)로부터, 상기 블록들(88, 90)에 의해 전달되는 차량 궤적(X _veh , Y _veh )을 획득하는 것을 가능하게 한다. 상기 블록(52)에 입력된 변수들을 수정함으로써, 상기 블록들(88, 90)에 의해 전달된 출력 좌표들을 기준 궤적의 좌표들에 대응하게 하려고 하는 것이다. 더 구체적으로는, 이러한 대응은 선택된 전체 레코드에 대해 최소 제곱의 방식으로 구현된다. 그렇게 함으로써, 하기 수학식 20

과 같은 함수(f)를 최소화하려고 하는 것이다.

이러한 최소화는 예를 들어 Matlab 함수 "Lsqnonlin"을 사용하여 수행될 수 있다. 그렇게 함으로써, 보정된 스티프니스 쌍(C _{f_corrected} ,C _{r_corrected} )이 획득된다.

도 7 방법의 단계들 E16 및 E17은 도 3 방법의 단계들 E16 및 E17과 유사하며, 2개의 2차 매개변수들(C _f , C _r )이 2차 매개변수(

)를 대체한다.

더 구체적으로는, 도 7 방법의 단계 E16 동안, 평균(C _r _{_average} ) 및 평균(C _{r_average} )이 하기 수학식 21

과 같이 계산되고, 상기 수학식에서 C _r _{_current} , C _r _{_current} 는 각각 프론트 및 리어 트레인들을 통한 현재의 스티프니스들, 다시 말하면 상기 방법의 구현 전의 스티프니스들이다.

도 7 방법의 단계 E17 동안, 상기 스티프니스(C _{r_current} )는 상기 평균(C _r _{_average} )으로 대체되고 상기 스티프니스(C _{r_current} )는 상기 평균(C _{r_average} )으로 대체된다.

이러한 방식으로, 방향전환에서 상기 모듈(16)의 기여도(θ _FF )를 증가시키는 것을 가능하게 하는 바이시클 모델이 확립되었다. 여기서 유념할 점은 상기 보정된 스티프니스 쌍이 반드시 자동차를 가장 잘 대표하는 것은 아니라는 점이다. 실제로, 자동차의 거동을 재현하는 값들의 조합을 찾는 것으로 충분하다. 제2 실시 예에서, 여러 쌍(C _f ,C _r )은 안정화된 방향전환에서 거의 0인 피드백 모듈의 기여도(θ _FB )에서 정점에 이른다. 본 발명은 이들 쌍 중 어느 한 쌍으로 수렴하는 것을 가능하게 하고, 결과적으로는 적은 계산 자원을 동원함으로써 스티어링 잠금 제어에 대한 상기 예측기 모듈의 기여도(θ _FF )를 증가시키고 결과적으로는 자동차의 탑승자들의 쾌적함을 개선하는 것을 가능하게 한다.

Claims

자동차의 궤적을 제어하는 제어 장치(2)에 장착된 예측기 모듈(16)을 설정하는 설정 방법에 있어서,
- 상기 제어 장치(2)의 피드백 모듈의 기여도(θ _FB ) 및/또는 이상적인 궤적에 대한 측면 편차(y _L )를 고려하여 방향전환 시 상기 예측기 모듈(16)이 부적합한지에 대한 검출이 이루어지고(E13),
- 1차 매개변수들이 결정되며(E14, E24),
- 2차 매개변수가 상기 결정된 1차 매개변수들을 고려하여 최적화 기반 계산 방법에 의해 계산되고(E15, E26), 그리고
- 상기 자동차의 바이시클(bicycle) 모델이 상기 계산된 2차 매개변수를 고려하여 업데이트되는(E16, E17), 설정 방법.
제1항에 있어서,
이하의 경우에 상기 예측기 모듈이 부적합한 것으로 검출되며,
상기 이하의 경우는,
- 이상적인 궤적에 대한 측면 편차(y _L )가 사전에 정의된 편차 임계값(s_e)보다 큰 경우, 및
- 스티어링 제어를 위한 상기 예측기 모듈(16)의 기여도(θ _FF )에 대한 상기 피드백 모듈의 기여도(θ _FB )의 비율이 사전에 정의된 비율 임계값(s_r)보다 큰 경우
를 포함하는, 설정 방법.
제1항 또는 제2항에 있어서,
상기 자동차의 바이시클 모델이 업데이트될 때, 상기 2차 매개변수를 고려하여 보정된 바이시클 모델의 특성 데이터(
, C _f _{_corrected} , C _r _{_corrected}
)가 결정되고, 상기 보정된 바이시클 모델의 특성 데이터(
, C _f _{_corrected} , C _r _{_corrected}
)와 현재 바이시클 모델의 특성 데이터(
, C _f _{_current} , C _r _{_current} ) 간 평균(
, C _f _{_average} , C _r _{_average} )이 계산되며, 그리고 상기 현재 바이시클 모델의 특성 데이터(
, C _f _{_current} , C _r _{_current} )가 상기 계산된 평균(
, C _f _{_average} , C _{r_average} )으로 대체되는, 설정 방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 2차 매개변수의 계산(E15)은 보정된 언더스티어링 그라디언트(
)의 계산을 포함하고, 상기 보정된 언더스티어 그라디언트(
)는 바람직하게는 상기 자동차의 바이시클 모델의 특성 데이터인, 설정 방법.
제4항에 있어서,
상기 1차 매개변수들은 차선 곡률(ρ), 차량의 속도(v) 및 스티어링 휠 각도(SWA _measured )를 포함하며, 상기 보정된 언더스티어링 그라디언트(
)는 스티어링 휠 각도 편차의 최소화에 의해, 그리고 바람직하게는 하기 함수

의 최소화에 의해 계산되며, 상기 함수에서, L _tot 는 차량의 휠베이스이며, d 는 차량 스티어링 칼럼의 감속비(gear reduction ratio)이고,
는 반복(i)에 관계없는 언더스티어링 그라디언트이며, ρ(i) 는 반복(i)시 차선 곡률이고, v(i) 는 반복(i)시 차량 속도이며 그리고 SWA _measured (i) 는 반복 i 동안의 스티어링 휠 각도인, 설정 방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 2차 파라미터의 계산(E26)은 보정된 프론트 트레인 스티프니스(C _{f_corrected} ) 및/또는 보정된 리어 트레인 스티프니스(C _{r_corrected} )의 계산을 포함하는, 설정 방법.
제6항에 있어서,
상기 1차 매개변수들은 이상적인 궤적에 대한 측면 편차(y _L ), 차량의 종방향 속도(v), 차량의 헤딩 각(Ψ _rel ), 스티어링 휠 각도(SWA _measured ) 및 차선 곡률(ρ)을 포함하고, 기준 궤적(X _ref ,Y _ref )은 상기 1차 매개변수들로부터 이루어지며, 최적화는 차량의 현재 바이시클 모델의 특성 데이터로부터 결정된 차량 궤적(X _veh ,Y _veh )과 상기 기준 궤적(X _ref ,Y _ref ) 간 편차를 최소화함으로써 구현되는, 설정 방법.
제1항 내지 제7항 중 어느 한 항에 있어서,
차량의 바이시클 모델은 차량의 미사용 기간마다 리셋(reset)되는(E12), 설정 방법.
프로세서 또는 전자 제어 유닛에 의해 실행될 때 제1항 내지 제8항 중 어느 한 항에 기재된 설정 방법을 구현하도록 구성된 코드를 포함하는 컴퓨터 프로그램.
자동차의 궤적을 제어하는 제어 장치(2)에 장착된 예측기 모듈(16)을 설정하는 설정 장치(22)에 있어서, 상기 설정 장치(22)는, 상기 제어 장치(2)의 피드백 모듈의 기여도(θ _FB ) 및/또는 이상적인 궤적에 대한 측면 편차(y _L )를 고려함으로써 방향전환시 상기 예측기 모듈(16)이 부적합한지를 결정하도록 구성된 검출 모듈(24), 1차 매개변수들을 결정하기 위한 결정 모듈(26), 상기 결정 모듈(26)에 의해 결정된 1차 매개변수들을 고려하여 최적화 기반 계산 방법에 의해 2차 매개변수를 계산할 수 있는 계산 모듈(28) 및 상기 계산 모듈(28)에 의해 계산된 상기 2차 매개변수를 고려하여 상기 자동차의 바이시클 모델을 업데이트하도록 구성된 업데이트 모듈(30)을 포함하는, 설정 장치.