통합 차량 상태 추정을 위한 차량 운동 모델 융합 방법 연구 : 다종 차량 적용을 위한 지식 증류 기반 AI 프레임워크 = A Study on a Fusion Method of Vehicle Motion Models for Integrated Vehicle State Estimation: A Knowledge Distillation-Based AI Framework for Application to Multi-Type Vehicles

다국어 초록 (Multilingual Abstract)

Estimating a vehicle's lateral velocity (or sideslip angle) and roll/pitch angles is essential for precise vehicle stability control and autonomous driving. This study develops two lateral velocity estimation models and two roll/pitch angle estimation models, then proposes an integrated state estimator that fuses them using deep neural networks.

For lateral velocity estimation, a kinematic model provides high instantaneous accuracy based on sensor data but suffers from cumulative error, while a bicycle model offers stability through dynamics-based calculations but shows weakness during transient maneuvers. For roll/pitch angle estimation, a dynamic model excels in dynamic scenarios while a static model performs better in static conditions. Since each model pair compensates for the other's weaknesses, proper fusion can deliver improved estimation performance across diverse driving conditions. This research uses AI to automatically determine fusion ratios, overcoming the limitations of manual expert tuning.
The challenge of not having ground truth for fusion ratios in supervised learning was addressed by adopting the physics-informed neural network (PINN) concept. By incorporating estimator equations into the loss function, the AI learns fusion ratios through estimation accuracy rather than memorizing data. This approach induces physics-based learning and ensures interpretability. Knowledge distillation and transfer learning were applied to ensure production viability. Knowledge distillation enabled development of lightweight models for low-cost MCUs, while transfer learning demonstrated practical applicability by adapting models trained on one vehicle type to another.

The proposed AI-based integrated state estimator was validated through approximately 5,000 seconds of varied real-vehicle driving scenarios, confirming excellent estimation performance.

국문 초록 (Abstract)

차량의 횡 속도(또는 횡 슬립 각) 및 롤/피치 각 추정은 정밀한 차량 안정성 제어 및 자율주행에 핵심적인 요소이다. 본 연구는 두 가지 횡 속도 추정 모델과 두 가지 롤/피치 각 추정 모델을 개발하고, 이를 심층신경망 기반으로 융합하는 통합 상태 추정기를 제안한다.횡 속도 추정에는 센서 기반으로 순간 정확도가 높지만 오차가 누적되는 kinematic model, 동역학 기반으로 안정적이지만 과도 주행 상황에서 추정 성능이 떨어지는 bicycle model을 사용한다. 롤/피치 각 추정에는 동적 상황에 강한 dynamic model과 정적 상황에 강한 static model을 활용한다. 각 모델 쌍은 서로 약한 영역을 보완하므로, 적절히 융합하면 다양한 주행 조건에서 향상된 추정 성능을 보일 수 있다. 본 연구는 이 융합 비율을 AI로 결정하여, 전문가 튜닝보다 개발 시간과 비용을 줄이고 추정 성능을 향상시켰다.AI의 지도 학습에 있어서 융합 비율의 정답을 알 수 없다는 문제는 물리 정보 신경망(PINN) 개념을 빌려 해결했다. 추정기 수식을 손실함수에 포함해, AI가 추정 결과의 정확도를 통해 융합 비율을 학습하도록 만들었다. 이를 통해 단순 데이터 암기가 아닌 물리 수식 학습을 유도하여 해석 가능성을 확보하였다. 또한, 차량의 양산성 확보를 위해 지식 증류와 전이 학습을 적용했다. 지식 증류를 통해 저가 MCU용 경량 모델을 개발하였다. 전이 학습을 통해 한 차종에서 학습한 모델을 다른 차종에 적용함으로써 실용성을 입증했다.

본 연구에서 제안한 AI 기반 통합 상태 추정기는 5,000초가량의 다양한 실차 주행 시나리오를 통해 검증하며 우수한 추정 성능을 확인하였다.

목차 (Table of Contents)

• 1. 서론
• 1.1. 연구 배경 1
• 1.1.1. 횡 속도, 롤, 피치 추정 연구 동향 1
• 1.1.2. AI 기반 가중치 결정 연구 동향 2
• 1.1.3. 물리 정보 신경망(PINN) 연구 동향 3
• 1.2. 연구 목적 4
• 1.2.1. 기존 연구로부터의 과제 4
• 1.2.2. 본 연구의 목적 4
• 2. 통합 차량 상태 추정 구조
• 2.1. 차량 횡 속도 추정 방법 6
• 2.1.1. physical model 기반 횡 속도 추정 방법 6
• 2.1.2. kinematic model 기반 횡 속도 추정 방법 7
• 2.1.3. 횡 속도 추정 모델 융합 방법 8
• 2.2. 차량 롤/피치 추정 방법 10
• 2.2.1. dynamic model 기반 롤, 피치 각 추정 방법 10
• 2.2.2. static model 기반 롤, 피치 각 추정 방법 12
• 2.2.3. 롤, 피치 각 추정 모델 융합 방법 13
• 2.3. 통합 차량 상태 추정 구조 15
• 3. AI 기반 통합 차량 상태 추정
• 3.1. AI 적용 필요성 17
• 3.1.1. 기존 방식의 한계점 17
• 3.1.2. AI 접근법의 장점 17
• 3.2. AI 학습 구조 설계 19
• 3.3. 손실 함수 설계 21
• 3.3.1. DNN과 손실함수 설계의 필요성 21
• 3.3.2. 손실함수 설계 22
• 3.4. AI 경량화를 위한 지식 증류 학습 26
• 3.4.1. 지식 증류의 개념과 필요성 26
• 3.4.2. 지식 증류 적용 방법 27
• 3.4.3. Teacher 및 Student 신경망 구조 29
• 3.4.4. 학습 검증 결과 32
• 3.5. 다종 차량 적용을 위한 전이 학습 방법 39
• 3.5.1. 전이 학습의 개념과 필요성 39
• 3.5.2. 전이 학습 전략 40
• 3.5.3. 학습 검증 결과 40
• 4. 결론
• 4.1. 연구 성과 43
• 참고문헌 45
• Abstract 47
• 부 록 49