연결 및 자율주행차(CAV)를 위한 협조적 온램프 병합 제어는 고속도로 진입(합류) 지점에서 교통 흐름과 연료 효율을 유의하게 향상시킬 수 있다. 그러나 CAV와 인간 운전자 차량(HDV)이 공존하는 혼합 교통 시나리오에서는 HDV의 예측 불가능한 행동이 안전과 조정을 어렵게 한다. 많은 협조적 병합 전략이 개별 CAV의 제어에 초점을 맞추는 반면, 이러한 환경에서 여러 CAV의 조정을 다룬 연구는 상대적으로 부족하다. 본 연구는 제어 구역 내의 모든 CAV에 대해, 의도가 불확실한 HDV와의 상호작용을 고려하는 최적화 기반 협조적 병합 전략을 제안한다. 핵심 혁신은 HDV의 행동에 대한 CAV의 전략적 영향력을 통해, HDV에 선행하는 CAV를 감속시켜 다른 인접 차로의 CAV들이 HDV 앞쪽으로 불확실성을 줄인 채 병합할 수 있도록 하는 데 있다. 최적 감속 패턴은 다양한 후보 패턴에 대해 CAV 처리량(throughput)을 평가함으로써 규명하며, 새 차량이 제어 구역에 진입하는 매 시점마다 동적 최적화를 적용하여 HDV의 불확실성을 효과적으로 관리한다. 다양한 혼합 교통 시나리오에서의 실험 결과는 제안된 전략이 기존의 최적화 기반 접근법에 비해 평균 통행 시간 지연을 최대 31%까지 감소시킴을 보여준다.

이 연구는 모든 유형의 동기기(SM)에 적용 가능한 일반화 모델 예측 토크 제어(GMPTC) 방법을 제시한다. GMPTC 방법은 전압 및 전류 제약을 준수하면서 토크 오차와 성능 지수(PI) 모두를 최소화하는 것을 목표로 한다. PI는 구리 손실 및 인버터 손실과 같이 SM 구동의 성능을 향상시키기 위해 최소화할 임의의 함수로 정의될 수 있다. GMPTC 문제는 비선형 최적화 문제이며, 증강 라그랑주 방법을 사용하여 연속 제어 집합 또는 유한 제어 집합 중 하나에 기반해 해결한다. GMPTC 방법은 최대 토크/전류, 플럭스 약화, 최대 전류, 최대 전압/토크 등 모든 영역에서 추가 제어기를 필요로 하지 않으면서 최적 운전을 보장한다. GMPTC 방법은 조정 파라미터가 4~5개로 소수에 불과하여 실용적이며 구현이 용이하다. 이 방법의 유효성은 385-W 동기 릴럭턴스 기기의 수치 제어와 1-kW 내부 영구자석 동기기의 실험적 제어를 통해 입증된다.

하이브리드 전기자동차(HEV)의 예측 에너지 관리(PEM)는 미래 정보가 포함되는 경로 최적화의 어려운 문제이다. 대부분의 선행 연구는 미래 정보를 나타내는 매개변수를 선택하기 위한 직관적 방법을 제시해 왔다. 그러나 이러한 직관적 방법은 이론적 분석이 부족하며 전역 최적성을 보장하지 못한다. 본 연구는 PEM 문제를 해석적으로 풀어 거의 최적에 가까운 효율성을 보장할 수 있다는 새로운 관점에 기반을 둔다. 핵심 아이디어는 최적제어 원리에 따라 경로 최적화 문제를 2차 계획법(QP) 문제로 재구성하는 것이다. 원래 문제와 QP 문제의 동등성은 이론적으로 도출된다. 제안하는 PEM 전략은 이후, 최적 제어 입력을 얻기 위해 모든 샘플링 시간마다 QP 문제를 풀어 구현한다. 원래 문제는 전체 미래 경로에 대한 정보를 요구하는 반면, 이는 정확히 예측하기 어렵다. 반면 QP 문제는 뭉치형(lumped) 매개변수, 즉 미래 경로의 각 구간에 대한 에너지 요구량과 시간 지속시간만을 필요로 한다. 이러한 뭉치형 미래 주행 매개변수는 차량 연결성을 통해 얻은 정보를 활용하여 예측될 수 있다. 실제 주행 시나리오에서 얻은 시뮬레이션 결과는 제안된 PEM 전략이 질적으로나 양적으로 전역적으로 최적해에 매우 근접한 제어 결과를 실시간으로 제공함을 보여주며(2 ms 이내), 최적성 손실은 단 0.14%에 불과하다.

연결 및 자율주행차(CAV)를 위한 협조적 온램프 병합 제어는 고속도로 진입(합류) 지점에서 교통 흐름과 연료 효율을 유의하게 향상시킬 수 있다. 그러나 CAV와 인간 운전자 차량(HDV)이 공존하는 혼합 교통 시나리오에서는 HDV의 예측 불가능한 행동이 안전과 조정을 어렵게 한다. 많은 협조적 병합 전략이 개별 CAV의 제어에 초점을 맞추는 반면, 이러한 환경에서 여러 CAV의 조정을 다룬 연구는 상대적으로 부족하다. 본 연구는 제어 구역 내의 모든 CAV에 대해, 의도가 불확실한 HDV와의 상호작용을 고려하는 최적화 기반 협조적 병합 전략을 제안한다. 핵심 혁신은 HDV의 행동에 대한 CAV의 전략적 영향력을 통해, HDV에 선행하는 CAV를 감속시켜 다른 인접 차로의 CAV들이 HDV 앞쪽으로 불확실성을 줄인 채 병합할 수 있도록 하는 데 있다. 최적 감속 패턴은 다양한 후보 패턴에 대해 CAV 처리량(throughput)을 평가함으로써 규명하며, 새 차량이 제어 구역에 진입하는 매 시점마다 동적 최적화를 적용하여 HDV의 불확실성을 효과적으로 관리한다. 다양한 혼합 교통 시나리오에서의 실험 결과는 제안된 전략이 기존의 최적화 기반 접근법에 비해 평균 통행 시간 지연을 최대 31%까지 감소시킴을 보여준다.

이 연구는 모든 유형의 동기기(SM)에 적용 가능한 일반화 모델 예측 토크 제어(GMPTC) 방법을 제시한다. GMPTC 방법은 전압 및 전류 제약을 준수하면서 토크 오차와 성능 지수(PI) 모두를 최소화하는 것을 목표로 한다. PI는 구리 손실 및 인버터 손실과 같이 SM 구동의 성능을 향상시키기 위해 최소화할 임의의 함수로 정의될 수 있다. GMPTC 문제는 비선형 최적화 문제이며, 증강 라그랑주 방법을 사용하여 연속 제어 집합 또는 유한 제어 집합 중 하나에 기반해 해결한다. GMPTC 방법은 최대 토크/전류, 플럭스 약화, 최대 전류, 최대 전압/토크 등 모든 영역에서 추가 제어기를 필요로 하지 않으면서 최적 운전을 보장한다. GMPTC 방법은 조정 파라미터가 4~5개로 소수에 불과하여 실용적이며 구현이 용이하다. 이 방법의 유효성은 385-W 동기 릴럭턴스 기기의 수치 제어와 1-kW 내부 영구자석 동기기의 실험적 제어를 통해 입증된다.

하이브리드 전기자동차(HEV)의 예측 에너지 관리(PEM)는 미래 정보가 포함되는 경로 최적화의 어려운 문제이다. 대부분의 선행 연구는 미래 정보를 나타내는 매개변수를 선택하기 위한 직관적 방법을 제시해 왔다. 그러나 이러한 직관적 방법은 이론적 분석이 부족하며 전역 최적성을 보장하지 못한다. 본 연구는 PEM 문제를 해석적으로 풀어 거의 최적에 가까운 효율성을 보장할 수 있다는 새로운 관점에 기반을 둔다. 핵심 아이디어는 최적제어 원리에 따라 경로 최적화 문제를 2차 계획법(QP) 문제로 재구성하는 것이다. 원래 문제와 QP 문제의 동등성은 이론적으로 도출된다. 제안하는 PEM 전략은 이후, 최적 제어 입력을 얻기 위해 모든 샘플링 시간마다 QP 문제를 풀어 구현한다. 원래 문제는 전체 미래 경로에 대한 정보를 요구하는 반면, 이는 정확히 예측하기 어렵다. 반면 QP 문제는 뭉치형(lumped) 매개변수, 즉 미래 경로의 각 구간에 대한 에너지 요구량과 시간 지속시간만을 필요로 한다. 이러한 뭉치형 미래 주행 매개변수는 차량 연결성을 통해 얻은 정보를 활용하여 예측될 수 있다. 실제 주행 시나리오에서 얻은 시뮬레이션 결과는 제안된 PEM 전략이 질적으로나 양적으로 전역적으로 최적해에 매우 근접한 제어 결과를 실시간으로 제공함을 보여주며(2 ms 이내), 최적성 손실은 단 0.14%에 불과하다.

전륜 및 후륜 전축 조향(all-wheel steering, AWS) 차량은 안정성과 기동성을 향상시키기 위해 문헌에서 널리 연구되어 왔다. 본 연구에서는 신경망(neural networks, NNs)을 통합한 수축 이론(contraction theory) 기반 AWS 차량 제어 전략을 제안한다. 수축 이론은 비선형 시스템을 위한 제어기를 설계하는 데 강력한 도구로서, 초기 조건과 무관하게 모든 시스템 궤적이 하나의 고유한 궤적으로 점근적으로(증분적으로) 지수 수렴하도록 보장한다. 그러나 시스템 불확실성으로 인해 제어 성능이 저하될 수 있다. 이러한 문제를 해결하기 위해, NNs를 사용하여 이러한 시스템 불확실성을 근사하고 보상한다. 수축 성질은 수축 메트릭을 얻기 위해 선형 행렬 부등식(Linear Matrix Inequalities, LMIs)을 정식화함으로써 보장된다. 또한 닫힌-루프 시스템의 균일 최종 유계성(uniform ultimate boundedness, UUB)을 보장하기 위해 Lyapunov 이론을 이용하여 NN 가중치의 적응 법칙을 설계한다. 마지막으로, 제안한 제어 전략을 검증하기 위한 수치 시뮬레이션 결과를 제시한다.

본 논문은 차량 동역학에서 비선형 횡방향 타이어 힘을 온라인으로 추정하기 위한 적분 오차 기반의 적응형 신경 식별기를 제시한다. 적응 법칙은 지수 가중 적분 비용 함수로부터 도출되며, 가중치 갱신에 사용되는 필터링된 오차를 도입함으로써 추정 오차의 균일한 궁극적 유계성을 보장하여, 순간 오차 기반 기법에 내재된 국소 과적합을 완화한다. 네트워크가 일관되고 시간에 불변하는 비선형 사상(mapping)을 학습했는지 평가하기 위해 Frozen-Weight Reproducibility Test를 도입하였으며, 여기서 고정된 신경망 가중치를 사용해 과거 데이터를 재생(replay)한다. 스텝 조향 및 슬라럼(slalom) 기동에 대한 시뮬레이션 결과, 제안한 식별기는 기존의 순간 오차 기반 기법과 비교 가능한 실시간 타이어 힘 추정 정확도를 달성하는 한편, 고정 가중치 재현성과 전체 모델 일관성을 유의미하게 향상시키는 것으로 나타났다.

자율주행을 위한 대부분의 모방학습(planning) 플래너는 평균 변위 오차(ADE)와 같은 변위(displacement) 기반 목적함수로 학습되며, 이는 평균 정확도는 우선시하지만 예측된 궤적이 얼마나 자주 위험해지는지를 간과한다. CARE Planner는 주의(attention) 제약을 갖는 Transformer에 조건부 가치위험(Conditional Value at Risk, CVaR) 기반 위험 모듈을 추가하여, 예측 지평(prediction horizon) 전체에서 여유(clearance) 기반 꼬리 위험(tail risk)을 측정한다. 이러한 위험은 지도(supervised) 궤적 모드를 선택하는 데에도 사용되며, 또한 다중모달 학습(multimodal learning) 동안 위험한 모드를 하향 가중하는 꼬리위험 인식(tail-risk-aware) 소프트 타깃(soft target)을 구성하는 데에도 활용된다. PlanTF와 같은 최신 플래너 및 우리가 이전에 제안한 프레임워크인 CAR Planner와 비교할 때, CARE Planner는 전체 성능에서 더 우수하고 nuPlan 벤치마크에서 안전 관련 지표들에서 유의미한 개선을 보이며, 모방학습 플래너의 신뢰성을 향상시키는 위험 인식 학습의 효과를 입증한다.

이 논문은 Disturbance Observer(DOB)와 Analytic Predictive Torque Control(ATPC)을 도입한 Robust Analytic Predictive Torque Control(RAPTC) 기법을 통해 영구자석 동기모터(PMSM)의 전체 운전 범위에 걸쳐 견고한 토크 제어 전략을 제시한다. 제안된 예측 토크 제어 프레임워크에서는 기존 방법의 모델 선형화 및 제약 근사에 따른 문제를 회피하기 위해 최적화 변수로 전압 기준값을 선택한다. 문제를 1-step 예측 구조로 정식화함으로써, 목적함수와 제약은 전압에 관한 이차(quadratic) 교차 문제로 축소된다. 기존의 해석적 해(analytic solution)를 채택하고, 목적 비용(objective cost) 비교를 통해 최적 해를 선택함으로써 신뢰성 있고 연산량이 낮은 토크 제어가 가능하다. 또한 명목 플럭스 맵(nominal flux-map)에서의 플럭스결합 플럭스링케이지 오류(fluxlinkage error)를 해결하기 위해 시간영역(time-domain)의 ψ-DOB를 제안한다. 플럭스-맵 오류는 플럭스결합 동역학에서 저항 오차가 없는 경우 지배적인 교란이므로, DOB 구조는 추정된 교란으로부터 플럭스-맵 오류를 추정하도록 설계할 수 있다. 제안된 토크 제어 전략의 실현 가능성과 성능을 검증하기 위해 4kW급 인테리어 영구자석 동기모터(IPMSM)로 수치 시뮬레이션을 수행한다.