통합 차량 상태 추정을 위한 심층신경망 기반 차량 운동 모델 융합 방법 연구 = A Study on Deep Neural Network-Based Fusion of Multiple Vehicle Models for Integrated Vehicle State Estimation

다국어 초록 (Multilingual Abstract)

This study proposes an integrated vehicle state estimation model by fusing lateral velocity and roll/pitch angle estimation models using deep neural networks. Each estimation logic is designed to ensure robustness and meet performance requirements based on the measurements from a 6-DOF sensor. A novel deep neural network-based approach is introduced for model fusion.
The lateral velocity estimation integrates a kinematic model, which maintains high accuracy but suffers from integration error accumulation, with a dynamic model, which avoids such errors but exhibits reduced accuracy under non-linear tire dynamics. Similarly, the roll/pitch angle estimation combines a dynamic model, which suffers from integration error accumulation, with a static model, which is unaffected by integration errors but is less accurate under non-linear tire behavior.
State observer structures and Kalman filter frameworks are utilized for model fusion, replacing measurement updates in existing logics with outputs from alternative models. Appropriate fusion weights are dynamically determined using a deep neural network, trained with vehicle dynamic states as inputs and model weights as outputs. To address the lack of ground truth for weights, the loss function is designed to include the entire estimation process, comparing predicted states with measured states and incorporating errors over consecutive predictions to capture pure prediction characteristics.
The proposed methodology is implemented using MATLAB/Simulink and Python’s PyTorch library and validated through real vehicle tests. Training was conducted with 14 scenarios, totaling approximately 310 seconds, while validation employed five scenarios. Results demonstrate that the deep neural network-based fusion method, particularly State Observer Method 3, significantly outperforms conventional expert-designed lookup table-based methods in estimation accuracy across diverse driving scenarios.

국문 초록 (Abstract)

본 논문은 심층신경망을 기반으로 차량의 횡 속도, 롤/피치 각도를 추정하는 모델을 융합하여 통합 차량 상태 추정 모델을 구성하는 방법을 제안하였다. 각 추정 로직은 6-DOF 센서의 계측값을 기반으로 각 추정 변수에 대해 강건함을 유지하면서 추정성능을 만족하도록 설계되었다. 그리고, 각 모델의 융합과정에서 심층신경망을 활용하는 방법을 제안한다.
횡 속도 추정 모델은 일반적으로 높은 정확도를 유지하지만 적분 오차 누적 현상이 발생하는 횡 가속도 기반의 Kinematic model과 적분 오차 누적 현상이 발생하지 않으나 타이어 비선형 주행 상황에서 정확도가 저하되는 2 자유도 동역학 모델 기반의 Physical model을 융합하여 구성하였다. 롤/피치 각도 추정 모델은 높은 정확도를 유지하지만 적분 오차 누적 현상이 발생하는 오일러 각속도 관계식 적분 기반의 Dynamic model과 적분 오차 누적 현상이 발생하지 않으나 타이어 비선형 주행 상황에서 정확도가 저하되는 종/횡 가속도 기반의 Static model을 융합하여 구성하였다.
본 논문에서 고려된 모델 융합 방법으로 상태관측기 구조와 칼만 필터 구조를 사용하였다. 두 로직 모두 계측값을 활용하여 모델 상태 추정치를 업데이트하는 방식으로 상태를 추정하는 로직이므로, 계측값을 다른 모델로 대체하여 두 모델을 융합하였다. 기존 로직의 계측값 업데이트 가중치를 대체한 모델의 가중치로 해석하고, 주행 상황에 맞게 적절한 가중치를 부여하여 모델을 융합하도록 설계되었다.
주행 상황에 맞게 적절한 가중치를 결정하기 위하여 심층신경망 방법론을 도입하였다. 차량 거동 상태를 입력으로 하고 모델 가중치를 출력으로 하는 신경망을 구성하였다. 가중치의 참값을 알 수 없다는 문제를 해결하기 위하여 손실함수가 전체 추정 모델을 포함하도록 설계하여, 추정 결과와 실제로 계측한 상태량을 비교하여 오차를 계산하도록 설계하였다. 이때, 직전 추정치를 이용하여 다음 추정 연산을 진행하는 pure prediction 특성을 학습하기 위하여 손실함수가 연속적인 추정 결과에 대한 오차를 산출하도록 설계하였다.
본 논문에서 제안하고 있는 통합 추정 모델 및 심층신경망 학습 로직은 MATLAB/Simulink 및 Python의 Pytorch 라이브러리를 이용하여 구현되었고 실차시험을 통해 다양한 주행 시나리오에서 학습 및 검증되었다. SLC, DLC, J-turn, Circle, Ice road 등의 다양한 주행 시나리오를 포함하는 총 약 310초 길이의 14개 시나리오를 학습하였고, 모든 주행 시나리오를 하나씩 포함하는 5개의 시나리오를 통해 검증하였다. 이러한 실차 시험 데이터를 통한 검증 결과 본 논문에서 제안하고 있는 심층신경망 기반의 모델 융합 방법들을 비교하였고, 가장 우수한 성능을 보인 State Observer Method 3 기준으로 기존 전문가 설계 Lookup Table 기반의 모델 융합 방법 대비 우수한 추정성능을 확인하였다.