오프로드 환경에서의 굴절식 차량 전복 방지를 위한 Model Predictive Path Integral 기반 경로 계획 및 제어 기법 개발 = Development of Model Predictive Path Integral-Based Path Planning and Control for Rollover Prevention of Articulated Vehicles in Off-Road Environments

다국어 초록 (Multilingual Abstract)

The global construction industry faces the dual challenges of enhancing productivity and ensuring safety, with the automation and unmanned operation of construction equipment emerging as key solutions. However, conventional autonomous driving technologies have shown clear limitations in effectively addressing the complex, variable environments of construction sites and the unique characteristics of construction machinery. To overcome these technical challenges, this study proposes the Model Predictive Path Integral (MPPI) control method.
This paper aims to prevent rollover accidents that may occur during off-road driving of articulated construction vehicles by developing an MPPI-based autonomous driving algorithm. The proposed approach overcomes the limitations of traditional path planning methods by precisely reflecting the vehicle’s dynamic characteristics and constraints, with a particular focus on preventing rollovers that can lead to serious accidents on construction sites.
To this end, an MPPI framework optimized for articulated vehicles was designed to capture the
vehicle’s dynamic behavior and integrate real-time rollover prevention and active obstacle avoidance. To accurately represent the unstructured terrain of construction sites, a grid map containing normal vector information was generated from 3D point cloud data. The RANSAC (Random Sample Consensus) algorithm was employed to robustly estimate normal vectors by minimizing the influence of noise and outliers in the terrain data. RANSAC iteratively samples random subsets to generate models and selects the model supported by the largest number of inliers, making it highly effective for extracting reliable parameters from real-world data prone to measurement errors. Based on the constructed grid map and the vehicle’s current yaw angle, a real-time roll angle estimation algorithm was developed.
The MPPI controller probabilistically samples multiple candidate control sequences and predicts future states for each sequence using a nonlinear dynamic model. The optimal control input is then determined by evaluating a cost function that comprehensively considers rollover risk, collision risk, path tracking accuracy, and terrain adaptability. For rollover prevention, the controller calculates dynamic stability indices in real time using the vehicle’s dynamic state and estimated terrain information, integrating these indices as key elements in the MPPI cost function. If the calculated stability index or estimated roll angle exceeds a predefined safety threshold, a large penalty is imposed on the corresponding control sequence, effectively excluding unsafe trajectories through strong constraints. Furthermore, when encountering unexpected obstacles, the MPPI immediately incorporates obstacle information into the cost function, enabling rapid replanning of safe avoidance paths.
The performance of the proposed integrated controller in rollover prevention and obstacle avoidance was comprehensively validated in various rough-terrain driving scenarios using Vortex Studio, a simulation environment specialized for construction equipment. The evaluation focused on the appropriateness of path generation, path tracking accuracy, safety during operation, and real-time control feasibility

국문 초록 (Abstract)

전 세계 건설 산업의 관심사는 현재 생산성 향상과 안전 확보에 집중되고 있으며, 이에 대한 해결 방안으로 건설기계의 자동화 및 무인화에 많은 투자가 이루어지고 있다. 그러나 기존 자율주행 기술은 비정형적이고 복잡한 오프로드 현장과 건설기계의 특성을 효과적으로 다루는 데 한계가 있다. 본 연구는 이러한 한계를 해결하기 위해 모델 예측 경로 적분 제어(Model Predictive Path Integral, MPPI) 기법을 제안한다.
본 논문은 굴절식 건설기계 차량이 오프로드 주행 시 발생할 수 있는 전복 사고를 방지하며 경로를 계획 및 제어하는, MPPI 기반의 건설기계 자율주행 알고리즘을 개발했다. 이는 차량의 동역학적 특성과 전복 방지를 위한 제약조건을 반영한 경로를 설계함으로써 기존 경로계획 방식의 한계를 극복하였다.
건설 현장의 비정형적인 지형 특성을 정밀하게 반영하고자, 먼저 지형의 3차원 포인트 클라우드 데이터로부터 법선벡터 정보를 포함하는 Grid Map을 생성했다. 이 과정에서 RANSAC(Random Sample Consensus) 알고리즘을 활용하여 지형 데이터에 포함된 노이즈나 이상치(outlier)의 영향을 최소화하고 강인하게 법선벡터를 추정했다. RANSAC은 임의 표본을 반복적으로 추출하여 모델을 생성하고, 가장 많은 데이터 포인트(inlier)로부터 지지받는 모델을 최종적으로 선택함으로써, 측정 오류가 빈번한 실제 환경 데이터로부터 신뢰도 높은 파라미터를 추출하는 데 매우 효과적이다. 이렇게 구축된 Grid Map과 차량의 현재 Yaw Angle를 기반으로 실시간 Roll Angle를 추정하는 알고리즘을 개발했다. MPPI 기법은 다수의 후보 제어 시퀀스를 확률적으로 샘플링하고, 예측 모델을 통해 각 시퀀스에
따른 미래 상태를 예측한다. 이후, 예측된 상태를 바탕으로 전복 위험, 장애물 충돌 여부, 목표 경로 추종 오차, 그리고 지형 정보 등을 종합적으로 평가하는 비용 함수를 통해 최적의 제어 입력을 결정한다. 차량의 동적 상태와 지형 정보를 활용하여 실시간으로 차량의 Roll Angle을 계산하고, 건설기계 차량의 전복 방지를 위하여 거동안정성 지표를 계산하여 이를 MPPI의 비용함수 및 제약 조건의 주요 요소로 통합했다. 이때, 거동안정성 지표는 건설기계와 오프로드 환경의 특성에 적합한 거동안정성 지표인 Zero-Moment Point(ZMP)와 Lateral Load Transfer Ratio estimation(LT Re)을 사용했다. 나아가, 계산된 건설기계의 전복 방지를 위한 거동안정성 지표나 지형기반 Roll Angle이 사전에 정의된 안전 임계치를 초과할 경우, 해당 제어 시퀀스에 매우 큰 비용을 부여하여 사실상 해당 경로가 선택되
지 않도록 하는 제약 조건을 구현했다. 마지막으로, 예측하지 못한 장애물과 조우 시, MPPI가 장애물 정보와 차량의 위치를 통한 충돌 여부를 비용 함수에 반영하여 안전한 회피 경로를 재탐색하는 장애물 회피 알고리즘을 구현했다.
제안된 MPPI기반 자율주행 알고리즘의 전복 방지 및 장애물 회피 성능은 CMLabs사의 건설기계 특화 시뮬레이션 환경인 Vortex Studio를 사용하여 구성된 다양한 시나리오에서 경로 생성의 적절성, 주행 중 전복 방지 능력 및 실시간 제어 연산 가능성을 종합적으로 검증했다.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 동향 4
• 1.2.1 경로 계획 기법 4
• 1.2.2 전복 방지 연구 6
• 1.2.3 거동 안정성 지표 7
• 1.3 연구 목표 10
• 제 2 장 Model Predictive Path Integral 기법 12
• 2.1 개요 12
• 2.2 예측 모델 13
• 2.3 비용 함수 13
• 2.4 제약 조건 15
• 제 3 장 거동안정성 지표 17
• 3.1 개요 17
• 3.2 거동안정성 지표 선정 17
• 3.2.1 Lateral Load Transfer Ratio estimation (LTRe) 17
• 3.2.2 Zero-Moment Point (ZMP) 20
• 3.3 거동안정성 지표 검증 23
• 제 4 장 지형정보가 반영된 Grid Map 구축 25
• 4.1 지형 경사도 추정을 위한 Random Sampling Consensus(RANSAC) 알고리즘 기반 ROI 영역 법선 벡터 추출 25
• 4.2 ROI 영역 법선 벡터기반 차량 Roll Angle 추정 27
• 제 5 장 Model Predictive Path Integral 기법 기반 지역 경로 생성 및 제어 29
• 5.1 굴절식 차량 자율주행 고려사항 29
• 5.2 Model Predicitve Path Integral 기법 시스템 구성 30
• 5.3 예측 모델 32
• 5.4 비용 함수 및 제약 조건 34
• 5.4.1 비용 함수 34
• 5.4.2 제약 조건 35
• 5.4.3 비용 함수 통합 38
• 제 6 장 오프로드 환경 시뮬레이션 결과 39
• 6.1 개요 39
• 6.2 경사도 지형 시나리오 42
• 6.3 경사도 지형 시나리오 결과 43
• 6.4 장애물 회피 시나리오 45
• 6.5 장애물 회피 시나리오 결과 46
• 6.6 통합 검증 시나리오 50
• 6.7 통합 검증 시나리오 결과 51
• 제 7 장 결론 58
• 참고 문헌 60
• Abstract 63