디지털 트윈 환경에서 고충실도 차량 동역학 모델 구축을 위한 물리정보신경망（PINN） 기반 파라미터 추정

국문 초록 (Abstract)

최근 무인화 플랫폼이 자율주행 차량, 농업, 건설, 방산 등 다양한 분야 에 확산되고 있다. 이러한 자율주행 시스템의 신뢰성을 확보하기 위해서 는 성능과 안전성에 대한 검증이 중요하다. 하지만, 실제 환경에서 자율 주행 시스템을 테스트하기에는 높은 비용과 시간 및 안전적인 측면에서 한계가 발생하여 최근에는 높은 효율성과 반복성을 가진 시뮬레이션 검증이 대안으로 부상하고 있다. 시뮬레이션으로 검증을 대체하기 위해서는 시뮬레이션 차량의 거동이 실제 차량의 거동과 유사해야한다. 이를 위해서는 시뮬레이션 차량이 실제 차량과의 거동과 유사하기 위한 동역학 모델링이 중요하다. 실제 차량과 시뮬레이션 차량의 동역학 정합성이 맞지 않을 경우 자율주행 시스템인 인지, 판단, 제어 알고리즘을 테스트하는데 영향이 발생하므로, 동역학 모델링을 통해 거동 정합성을 맞추는 것이 중요하다. 이에 본 연구에서는 시뮬레이션 차량 동역학 모델링을 위해, 심층 신경망을 활용하여 실차-시뮬레이션 동역학 정합성을 향상시키는 프레임워크를 제안한다. 본 연구는 물리적 정합성을 위한 물리정보 신경망과 환경적 정합성을 위한 잔차 보정 네트워크 두 단계로 구성된다. 첫째, 신경망에 물리 법칙을 결합하여 차량 동역학 파라미터를 추정하기 위한 물리정보 신경망을 설계하였다. 기존 모델링 기법으로는 물리 기반과 데이터 기반 기법이 존재했는데, 해당 기법들의 한계를 보완하여 물리적 일관성이 보장된 차량 동역학 파라미터를 추정할 수 있도록 하였다. 둘째, 실제와 시뮬레이션 동역학 응답 차이로 인한 잔차를 보정하기 위해 잔차 보정 네트워크를 도입하였다. 시뮬레이션 차량이 노면 상태 등에 의한 오차까지 모사하기 어려우므로, 실제 차량과 시뮬레이션 차량 출력의 차이를 학습하여 동역학 응답의 잔여 오차를 보완하였다. 제안된 통합 프레임워크의 실효성을 검증하기 위해 MORAI 시뮬레이터 환경에서 비정형 도로를 기반으로 검증 실험을 수행하였다. 시뮬레이션 결과, 기본 물리 모델 보다 물리정보 신경망을 통해 모델링된 차량이 실제 차량과 더 높은 정합성을 보이는 것을 확인하였다. 특히 제안된 통합 프레임워크를 통해 모델링된 차량이 두 모델보다 더 높은 정합성을 나타내며 우수한 성능을 입증하였다. 본 연구는 학습을 통해 차량 동역학을 모델링하여, 사람이 튜닝하는 것이 아닌 인공지능을 통해 모델링 자동화 프로세스를 구축할 수 있는 기술적 토대를 마련하였다는 점에서 의의가 있다.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구 배경 및 목적 1
• 1.2 관련 연구 고찰 5
• 1.2.1 차량 동역학 모델링 5
• 1.2.2 잔차 보정 7
• 1.2.3 실차-시뮬레이션 동역학 정합성 동향 및 한계 9
• 1.3 본 연구의 기여도 11
• 1.4 제안하는 통합 동역학 정합성 향상 프레임워크 개요 13
• 제2장 물리정보 신경망 기반 차량 동역학 파라미터 추정 16
• 2.1 물리정보 신경망 개요 16
• 2.2 물리정보 신경망 아키텍처 17
• 2.3 학습용 데이터 전처리 18
• 2.4 단일 차량 동역학 모델 20
• 2.5 손실 함수 설계 26
• 2.5.1 데이터 손실（Data Loss） 26
• 2.5.2 물리 손실（Physics Loss）27
• 2.5.3 통합 손실（Total Loss） 28
• 2.6 학습 데이터셋 구성 29
• 2.7 물리정보 신경망 학습 모델 성능 분석 31
• 2.7.1 손실 함수 기반 학습 성능 분석 31
• 2.7.2 추정 파라미터의 물리적 타당성 분석 33
• 제3장 동역학 잔차 보정 네트워크 설계 34
• 3.1 잔차 보정 네트워크 개요 34
• 3.2 동역학 잔차 보정 네트워크 아키텍처 35
• 3.3 동역학 응답 잔차 보정 공식화 38
• 3.4 트랜스포머 기반 잔차 보정 네트워크 설계 40
• 3.4.1 특징 추출 40
• 3.4.2 시간 융합 41
• 3.4.3 잔차 추정 41
• 3.4.4 동역학 응답 보정 값 추출 43
• 3.5 잔차 보정 신경망 학습 모델 성능 분석 43
• 3.5.1 손실 함수 기반 학습 성능 분석 44
• 3.5.2 RMSE 기반 학습 성능 분석 45
• 3.5.3 추출된 동역학 응답 보정 값 분석 46
• 제4장 통합 프레임워크 실험 검증 48
• 4.1 검증 개요 및 두 단계 검증 계층 48
• 4.2 실험 환경 49
• 4.3 검증 환경 52
• 4.4 평가 지표 53
• 4.5 동역학 정합성 검증 프로세스 55
• 4.5.1 속도 정합성 검증 55
• 4.5.2 모션 정합성 검증 56
• 4.6 동역학 정합성 실험 결과 및 분석 56
• 4.6.1 속도 정합성 결과 56
• 4.6.2 속도 정합성 결과 분석 58
• 4.6.3 모션 정합성 결과 58
• 4.6.4 모션 정합성 결과 분석 62
• 4.6.5 평균 Overall ISO Rating 분석 63
• 제5장 결론 및 향후 연구 65
• 5.1 결론 65
• 5.2 한계 및 향후 연구 과제 67
• 참고문헌 70
• ABSTRACT 75