Siamese 네트워크를 이용한 시각적 객체 추적은 기준 타깃을 후보 영역과 매칭함으로써 효과적임이 입증되었다. 그러나 이들의 성능은 정적인 템플릿, 불충분한 컨텍스트 모델링, 약한 다중 수준 특징 통합에 의해 제한되며, 특히 가림(occlusion), 배경 잡음(background clutter), 외관 변화(appearance variation) 하에서 성능이 저하된다. 이러한 한계를 해결하기 위해 우리는 품질 인식(quality-aware) 및 강인한 추적을 지향하는 트랜스포머 보강형 Siamese 추적기 TSDTrack을 제안한다. 우리의 프레임워크는 ResNet 백본을 사용하여 다중 스케일의 계층적 특징을 추출하고, 의미 및 공간적 일관성을 향상시키기 위해 전역 주의(global attention)를 적용하는 트랜스포머 기반 모듈로 특징을 융합한다. 예측 헤드는 두 개의 분기(branch)로 구성된다. 첫째, 분류 응답의 신뢰도를 평가하는 신뢰도 인식 분기(confidence aware branch, CAB)이며, 둘째, 경계 상자 국소화를 이산 확률 분포(discrete probability distributions)로 모델링하는 회귀 분포 학습(regression distribution learning, RDL) 분기이다. 이는 불확실성 하에서 정밀도를 향상시킨다. 또한 CAB 점수에 기반해 대상 표현을 선택적으로 갱신하는 신뢰도 게이팅(confidence-gated) 템플릿 업데이트 전략을 도입함으로써, 드리프트(drift)를 회피하면서도 적응적 외관 모델링을 가능하게 한다. LaSOT, GOT-10k, OTB100, UAV123에 대한 실험 결과, TSDTrack은 정확도와 강인성 모두에서 최첨단 성능을 달성하였으며, LaSOT에서 55.5% 성공률, GOT-10k에서 67.5% AO, OTB100에서 71.6% AUC, UAV123에서 66.4% 성공률을 기록하여, 최근의 트랜스포머 기반 및 Siamese 추적기들을 능가한다.

자동차 군집(vehicle platoon)에서 교란 증폭(disturbance amplification)을 방지하기 위해 적응형 순항제어(adaptive cruise control, ACC) 시스템의 문자열 안정성(string stability)을 확보하는 것은 필수적이다. 상수 시간 간격(constant time-gap, CTG) 정책과 같은 기존의 속도 의존적 차두(距離) 정책은 문자열 안정성을 촉진하기 위해 널리 채택되어 왔으나, 종종 과도하게 큰 정상상태 차간거리(steady-state inter-vehicle distances)를 초래하며, 다양한 운용 조건에서 견고한 교란 감쇠(disturbance attenuation)를 보장하지 못하는 경우가 많다. 이러한 한계를 해결하기 위해 본 논문에서는 적응형 슈퍼 트위스팅 적분 불변 미끄럼모드 제어(adaptive super-twisting sliding mode control, AST-SMC) 전략과 통합된 견고한 문자열-안정 차두 정책을 제안한다. 기존 CTG 접근법과 달리, 제안된 차두 정책은 원하는 차간거리를 동적으로 조정하여 안정성을 유지하면서 더 타이트한 군집 편성을 가능하게 한다. AST-SMC 제어기는 또한 모델링 불확실성과 외부 교란을 보상하기 위해 파라미터를 온라인으로 적응시킴으로써 견고성을 한층 향상시킨다. 제안된 프레임워크는 MATLAB/Simulink 및 CarMaker에서 수행한 포괄적인 시뮬레이션을 통해 검증되었다. 그 결과, 제안된 방법은 동질(homogeneous) 및 이질(heterogeneous) 군집 모두에 대해 L₂ 문자열 안정성을 달성함을 보여주었다. 동질한 경우에는 L∞ 문자열 안정성도 추가로 검증되었다. 기존 접근법과 비교할 때, 주파수 영역 분석을 통해 확인되는 바와 같이 제안된 방법은 충돌 없이 안전한 차간을 유지하면서도 향상된 교란 감쇠 성능을 제공한다.

이 논문은 자율주행차의 향상된 횡방향 제어를 위한 Koopman 연산자 기반 확률적 모델 예측 제어(K-SMPC)를 제안한다. Koopman 연산자는 무한차원 공간에서 비선형 동역학을 나타내는 선형 사상이다. 따라서 우리는 동적인 차선 유지 상황에서 차량의 비선형 동역학을 나타내기 위해 Koopman 연산자를 사용한다. 실용적인 구현을 위해 유한차원 공간에서 Koopman 연산자를 근사하기 위해 확장 동적 모드 분해(Extended Dynamic Mode Decomposition, EDMD) 기법을 채택한다. 그런 다음 EDMD 방법에서 근사된 Koopman 연산자의 모델링 오차를 고려한다. 이어서 오차를 확률적 신호로 처리하여 Koopman 모델링 오차에 대응할 수 있도록 K-SMPC를 설계한다. 제안된 방법의 재귀적 실현 가능성을 강건한 제어 불변 집합을 계산함으로써, 명시적인 1단계 상태 제약을 통해 조사한다. 제안된 방법의 타당성 검증을 위해 고충실도 차량 시뮬레이터, 즉 CarSim을 사용하고 비교 연구를 수행한다. 그 결과, 제안된 방법이 추적 성능에서 다른 방법들보다 우수함이 확인되었다. 또한 제안된 방법이 주어진 제약을 만족하며 재귀적으로 실현 가능함이 관찰되었다.

차량 횡방향 제어에서는 추종 성능을 향상시키기 위해 차량 속도와 도로 곡률의 영향을 받는 적절한 룩어헤드(look-ahead) 거리를 결정하는 것이 필수적이다. 본 연구는 룩어헤드 거리 추적기를 포함하는 차량 횡방향 제어 방식을 제안한다. 먼저, 경험적 운동학 모델을 사용하여 룩어헤드 거리와 피드백 제어 이득을 최적화함으로써 $H_2$ 감각에서 룩어헤드 거리 하이퍼플레인을 설계하였다. 룩어헤드 거리 추적기는 차량 속도와 도로 곡률이 주어질 때 가중 보간(weighted interpolation)을 통해 대략적인 최적 룩어헤드 거리를 결정한다. 이후 차선 추종 제어를 위해 선형 파라미터 변이(linear parameter-varying) 제어기를 사용하여 차선 추종 제어용의 준최적 제어 이득을 구하였다. 선형 파라미터 변이 제어기의 안정성은 선형 행렬 부등식(linear matrix inequality) 문제에 대한 해를 찾아 보장하였다. 고정 룩어헤드 거리와 명목(nominal) 제어기를 사용하는 비교 연구를 통해 제안한 알고리즘의 유효성을 입증하였다. 시뮬레이션 결과, 명목 접근 방식에 비해 제안 방법을 사용할 때 횡방향 위치 오차가 상당히 감소하는 것으로 나타났다. 제안된 방식은 명목 제어기를 능가하며, 차량 제어 개선을 위해 룩어헤드 거리를 적응시키는 이점을 부각한다.

이 논문은 측정 잡음에 대한 강인성을 향상시키기 위해 표면부착 영구자석 동기전동기(SPMSM)에 대한 가변 이득 역기전력(back-EMF) 추정기와 위치 센서리스 제어를 제시한다. 기존 비례적분(PI) 역기전력 추정기 시스템의 주파수 응답 분석을 바탕으로, 가변 이득 비례적분(VG-PI) 역기전력 추정기와 그 이득 조정 과정을 새롭게 제안하며, 이를 통해 역기전력 추정 시스템이 측정 잡음에 대해 강인해질 수 있음을 보여준다. VG-PI 구조의 측정 잡음에 대한 강인성으로 인해, 추정된 역기전력 신호에 적용하던 저역통과필터링을 제거할 수 있으며, 그 결과 추정 위치의 위상 지연이 감소하고 SPMSM의 센서리스 속도 제어 성능이 향상된다. 비교 연구 결과, 제안된 방법은 기존의 고정 이득 PI 관측기와 적응 이득 슈퍼 트위스팅 슬라이딩 모드 관측기(AGST-SMO)에 비해 VG-PI 역기전력 추정에서 고주파 성분을 유의하게 감소시키는 것으로 나타났다. 또한 실험 결과는 제안된 VG-PI 방법이 각도 위치의 위상 지연 측면에서 기존 방법보다 우수하며, 이를 18° 이상 감소시킴을 입증하였다.

고도화된 자율주행 시스템에서 센서 사각지대를 최소화하고 주행 환경을 정확하게 인지하는 것은 핵심적이다. 본 논문은 도로 볼록거울을 이용하여 사각지대에 위치한 물체의 상태를 추정하기 위해 카메라와 3차원 라이트 탐지 및 거리측정(3D light detection and ranging, LiDAR) 데이터를 결합하는 센서 융합 방법을 제안한다. 카메라 및 LiDAR 센서는 영상과 거리 데이터의 통합이 가능하도록 보정(calibration)된다. 딥러닝 기반 검출기가 실시간 카메라 영상을 사용하여 볼록거울에 반사된 물체를 식별하고, 프레임 간 물체 추적을 위해 데이터 연관(data association)이 수행된다. 사각지대 물체의 상태 추정 정확도를 향상시키기 위해 측정 오차 특성을 분석하고 이를 칼만 필터(Kalman filter)에 반영한다. 제안된 방법은 시나리오 기반 실험을 통해 결과를 정답(ground truth) 데이터와 비교함으로써 검증되었다. 실험 결과는 제안된 접근법이 도로 볼록거울 반사를 활용하여 사각지대 영역에서 물체 상태를 효과적으로 추정하고 충돌 위험을 평가할 수 있음을 보여준다.

종단(롱기튜디널) 운동 제어는 자율주행차 분야에서 핵심적인 요소로, 다양한 주행 조건에서 최적의 시스템 성능, 안전성 및 승차감을 보장하기 위해 잘 설계된 제어기가 필요하다. 기존의 제어 방법들은 채터링(chattering) 현상 및 모델 불확실성과 같은 문제에 자주 직면한다. 이러한 과제를 해결하기 위해, 본 논문에서는 자율주행차의 종단 운동 제어를 위한 최적화된 슈퍼 트위스팅 슬라이딩 모드 제어(Optimized Super-Twisting Sliding Mode Control, OST-SMC)의 적용을 제안한다. 제안의 동기은 채터링 문제를 최소화하면서 제어 시스템의 강인성 및 효율을 향상시키는 데 있다. 제안된 시스템의 수학적 모델링과 제어 설계는 안정성 분석과 함께 Lyapunov 이론을 사용하여 상세히 제시한다. 제어기의 성능을 향상시키기 위해, 불확실한 파라미터는 선형 회귀 기반 기법인 경사 하강(gradient descent) 방법을 사용하여 최적화한다. 제안된 OST-SMC 알고리즘은 기존의 슬라이딩 모드 제어기와 비교하여 외란 및 파라미터 불확실성에 대해 향상된 강인성을 보인다. MATLAB/Simulink 및 CarMaker에서의 시뮬레이션은 본 방법을 검증하며, 내리막 도로에서도 우수한 성능을 보여준다. OST-SMC는 전통적인 SMC보다 채터링을 보다 효과적으로 감소시켜, 다양한 도로 조건에서 매끄러운 추종과 일관된 강인성을 달성한다.

본 논문에서는 자기 차량(ego vehicle) 전방의 인접 차량(neighboring vehicle)의 주행 의도를 물리 기반(physics-informed) 딥 신경망 기반 오픈셋 분류(open-set classification) 접근을 통해 추론하는 방법을 제안한다. 실제 도로 주행에서 수집한 상대 운동 데이터를 알려진 시나리오와 알려지지 않은 시나리오로 범주화하였으며, 핵심 특징 궤적을 시공간(spatiotemporal) 3D 입력 데이터로 표현하였다. 이를 위해 합성곱 장단기 기억(convolutional long short-term memory) 구조를 설계하였고, 물리 기반 관점과 제약을 통합하기 위한 새로운 손실 함수(loss function)를 제안했으며, 훈련 과정에서 통합 손실 함수의 수렴(convergence)이 입증되었다. 제안된 방법은 비교를 위해 다섯 개의 분류기와 함께 평가되었으며, 1) 단일 시나리오에서의 알려진 클래스(known classes) 분류 정확도, 2) 오픈셋 분류 정확도, 3) 딥 감소 특징 시각화(deep reduced feature visualization)를 통한 분석, 4) 알려지지 않은 데이터에 대한 일반화 성능, 5) 연속 시나리오에서의 분류 강건성 및 경로 내 의사결정 타당성의 관점에서 비교하였다. 그 결과, 정확도에서 평균 23.5%의 향상, 최고 수준의 일반화 성능, 우수한 강건성이 나타났으며, 기존 레이더를 포함한 기존 방법에 비해 특히 애매한 상황에서도 더 빠르고 신뢰할 수 있는 경로 내 탐지가 가능함이 확인되었다.

Siamese 네트워크를 이용한 시각적 객체 추적은 기준 타깃을 후보 영역과 매칭함으로써 효과적임이 입증되었다. 그러나 이들의 성능은 정적인 템플릿, 불충분한 컨텍스트 모델링, 약한 다중 수준 특징 통합에 의해 제한되며, 특히 가림(occlusion), 배경 잡음(background clutter), 외관 변화(appearance variation) 하에서 성능이 저하된다. 이러한 한계를 해결하기 위해 우리는 품질 인식(quality-aware) 및 강인한 추적을 지향하는 트랜스포머 보강형 Siamese 추적기 TSDTrack을 제안한다. 우리의 프레임워크는 ResNet 백본을 사용하여 다중 스케일의 계층적 특징을 추출하고, 의미 및 공간적 일관성을 향상시키기 위해 전역 주의(global attention)를 적용하는 트랜스포머 기반 모듈로 특징을 융합한다. 예측 헤드는 두 개의 분기(branch)로 구성된다. 첫째, 분류 응답의 신뢰도를 평가하는 신뢰도 인식 분기(confidence aware branch, CAB)이며, 둘째, 경계 상자 국소화를 이산 확률 분포(discrete probability distributions)로 모델링하는 회귀 분포 학습(regression distribution learning, RDL) 분기이다. 이는 불확실성 하에서 정밀도를 향상시킨다. 또한 CAB 점수에 기반해 대상 표현을 선택적으로 갱신하는 신뢰도 게이팅(confidence-gated) 템플릿 업데이트 전략을 도입함으로써, 드리프트(drift)를 회피하면서도 적응적 외관 모델링을 가능하게 한다. LaSOT, GOT-10k, OTB100, UAV123에 대한 실험 결과, TSDTrack은 정확도와 강인성 모두에서 최첨단 성능을 달성하였으며, LaSOT에서 55.5% 성공률, GOT-10k에서 67.5% AO, OTB100에서 71.6% AUC, UAV123에서 66.4% 성공률을 기록하여, 최근의 트랜스포머 기반 및 Siamese 추적기들을 능가한다.

자동차 군집(vehicle platoon)에서 교란 증폭(disturbance amplification)을 방지하기 위해 적응형 순항제어(adaptive cruise control, ACC) 시스템의 문자열 안정성(string stability)을 확보하는 것은 필수적이다. 상수 시간 간격(constant time-gap, CTG) 정책과 같은 기존의 속도 의존적 차두(距離) 정책은 문자열 안정성을 촉진하기 위해 널리 채택되어 왔으나, 종종 과도하게 큰 정상상태 차간거리(steady-state inter-vehicle distances)를 초래하며, 다양한 운용 조건에서 견고한 교란 감쇠(disturbance attenuation)를 보장하지 못하는 경우가 많다. 이러한 한계를 해결하기 위해 본 논문에서는 적응형 슈퍼 트위스팅 적분 불변 미끄럼모드 제어(adaptive super-twisting sliding mode control, AST-SMC) 전략과 통합된 견고한 문자열-안정 차두 정책을 제안한다. 기존 CTG 접근법과 달리, 제안된 차두 정책은 원하는 차간거리를 동적으로 조정하여 안정성을 유지하면서 더 타이트한 군집 편성을 가능하게 한다. AST-SMC 제어기는 또한 모델링 불확실성과 외부 교란을 보상하기 위해 파라미터를 온라인으로 적응시킴으로써 견고성을 한층 향상시킨다. 제안된 프레임워크는 MATLAB/Simulink 및 CarMaker에서 수행한 포괄적인 시뮬레이션을 통해 검증되었다. 그 결과, 제안된 방법은 동질(homogeneous) 및 이질(heterogeneous) 군집 모두에 대해 L₂ 문자열 안정성을 달성함을 보여주었다. 동질한 경우에는 L∞ 문자열 안정성도 추가로 검증되었다. 기존 접근법과 비교할 때, 주파수 영역 분석을 통해 확인되는 바와 같이 제안된 방법은 충돌 없이 안전한 차간을 유지하면서도 향상된 교란 감쇠 성능을 제공한다.

이 논문은 자율주행차의 향상된 횡방향 제어를 위한 Koopman 연산자 기반 확률적 모델 예측 제어(K-SMPC)를 제안한다. Koopman 연산자는 무한차원 공간에서 비선형 동역학을 나타내는 선형 사상이다. 따라서 우리는 동적인 차선 유지 상황에서 차량의 비선형 동역학을 나타내기 위해 Koopman 연산자를 사용한다. 실용적인 구현을 위해 유한차원 공간에서 Koopman 연산자를 근사하기 위해 확장 동적 모드 분해(Extended Dynamic Mode Decomposition, EDMD) 기법을 채택한다. 그런 다음 EDMD 방법에서 근사된 Koopman 연산자의 모델링 오차를 고려한다. 이어서 오차를 확률적 신호로 처리하여 Koopman 모델링 오차에 대응할 수 있도록 K-SMPC를 설계한다. 제안된 방법의 재귀적 실현 가능성을 강건한 제어 불변 집합을 계산함으로써, 명시적인 1단계 상태 제약을 통해 조사한다. 제안된 방법의 타당성 검증을 위해 고충실도 차량 시뮬레이터, 즉 CarSim을 사용하고 비교 연구를 수행한다. 그 결과, 제안된 방법이 추적 성능에서 다른 방법들보다 우수함이 확인되었다. 또한 제안된 방법이 주어진 제약을 만족하며 재귀적으로 실현 가능함이 관찰되었다.

차량 횡방향 제어에서는 추종 성능을 향상시키기 위해 차량 속도와 도로 곡률의 영향을 받는 적절한 룩어헤드(look-ahead) 거리를 결정하는 것이 필수적이다. 본 연구는 룩어헤드 거리 추적기를 포함하는 차량 횡방향 제어 방식을 제안한다. 먼저, 경험적 운동학 모델을 사용하여 룩어헤드 거리와 피드백 제어 이득을 최적화함으로써 $H_2$ 감각에서 룩어헤드 거리 하이퍼플레인을 설계하였다. 룩어헤드 거리 추적기는 차량 속도와 도로 곡률이 주어질 때 가중 보간(weighted interpolation)을 통해 대략적인 최적 룩어헤드 거리를 결정한다. 이후 차선 추종 제어를 위해 선형 파라미터 변이(linear parameter-varying) 제어기를 사용하여 차선 추종 제어용의 준최적 제어 이득을 구하였다. 선형 파라미터 변이 제어기의 안정성은 선형 행렬 부등식(linear matrix inequality) 문제에 대한 해를 찾아 보장하였다. 고정 룩어헤드 거리와 명목(nominal) 제어기를 사용하는 비교 연구를 통해 제안한 알고리즘의 유효성을 입증하였다. 시뮬레이션 결과, 명목 접근 방식에 비해 제안 방법을 사용할 때 횡방향 위치 오차가 상당히 감소하는 것으로 나타났다. 제안된 방식은 명목 제어기를 능가하며, 차량 제어 개선을 위해 룩어헤드 거리를 적응시키는 이점을 부각한다.