본 논문은 신호화된 도로 네트워크에서 특히 딜레마 구역(dilemma zone)에서 커넥티드 카의 주행 효율을 향상시키기 위해, 사회적으로 수용 가능한 사람과 유사한 행동 계획(behavior planning) 방법을 제안한다. 구체적으로, 제안된 방법은 상태 제약에 슬랙 변수(slack variables)를 할당하는 소프트 제약(soft-constrained) 모델 예측 제어(model predictive control)에 기반하며, 이로 인해 효율을 개선하기 위해 도로 속도 제한(speed limit)을 약간 위반하도록 한다. 차량 연결성(vehicle connectivity) 기술을 통해 다수의 신호등에서 예정된 신호 위상 및 타이밍(signal-phase-and-timing) 정보를 활용함으로써, 커넥티드 카는 속도 궤적(speed trajectory)을 최적화하여 교통 규칙을 엄격히 준수하는 차량에 비해 딜레마 구역에서의 정차 횟수를 감소시킨다. 그 결과, 녹색 또는 황색 신호가 켜졌을 때 커넥티드 카는 여러 신호등을 연속으로 통과할 수 있으며, 이로써 전체 통행 시간(trip time)을 최소화하는 것으로 관찰된다. 제안된 방법은 다양한 상황에서의 시뮬레이션을 통해 종합적으로 검증되었고, 특히 딜레마 구역에서 커넥티드 카의 행동은 숙련된 인간 운전자의 행동과 유사하게 나타난다. 또한 본 접근법의 효능은 실험을 통해서도 입증되었으며, 랩 스케일(lab-scale) 주행 시뮬레이터를 사용하여 본 접근법이 생성한 속도 궤적을 서로 다른 인간 운전자가 생성한 궤적과 비교하였다.

본 논문은 상용 전기자동차(EV)에서 흔히 발생하는 실제 문제인 도어 개방 시나리오에 대한 제어 지향 모델을 제시한다. 우리는 실제 EV에서 도어 개방으로 인한 중단을 처리하기 위해 시뮬레이션 모델을 개발하고 검증하였다. 개발된 모델을 사용하여 4가지 난방 컨트롤러를 비교하였다: (i) 냉각수 분기(coolant-dividing) 계층과 도어 개방 신호에 근거하여 실내 공기 유입을 조절하는 구성요소를 포함한 제안된 계층적 비선형 모델 예측 제어기; (ii) 냉각수 분기를 위한 단일 모델 예측 제어기(MPC)와 규칙 기반 실내 공기 컨트롤러의 결합; (iii) 실내 공기 유입 MPC와 통합된 규칙 기반 냉각수 분기 컨트롤러; 및 (iv) 기존의 규칙 기반 컨트롤러. 주변 온도 0, 10, 20 ${}^{\circ }$C에서, 계층적 컨트롤러는 도어 개방이 발생한 실내 구역에서 각 시나리오의 최악 성능 컨트롤러와 비교하여 온도 강하를 각각 7.2, 9.5, 10.92 ${}^{\circ }$C만큼 감소시켰다. 또한 본 전략은 회복 과정에서의 온도 초과(overshooting)를 유의하게 감소시켰으며, 0, 10, 20 ${}^{\circ }$C에서 각각 다양한 실내 구역에 대해 84–87%, 60.8–83.8%, 57.7–66.9%의 감소를 달성하였다. 이러한 결과는 본 전략이 차량 전반에 걸쳐 승객의 열적 쾌적성(thermal comfort)을 향상시킬 가능성을 보여주며, 상용 EV의 향후 열 관리 전략에 대한 유용한 통찰을 제공한다.

이 연구는 모델 예측 제어(Model Predictive Control, MPC)와 관련된 계산 복잡성을 완화하기 위해 심층 신경망(DNN)을 적용함을 보여준다. MPC의 실질적 도입을 저해해 온 계산 복잡성이라는 장벽을 극복하고자 하는 것이다. 이러한 과제는 특히 자율주행 차량의 응용에서 중요하며, 특정 수의 시스템 제약을 강제하면서 다수의 목표를 달성하는 것이 필수적이다. 먼저 적응형 순항 제어(Adaptive Cruise Control, ACC) 문제에 맞춘 제어 알고리즘을 재검토하고 설계한다. 개발된 알고리즘은 각기 다른 제어 모드, 즉 속도 제어와 공간 제어를 각각 다루는 두 가지 상이한 암시적 MPC로 구성된다. 알고리즘 합성 과정에 다중 제어 목표와 제약을 통합하여 만족스러운 제어 성능을 보장한다. 또한 MPC의 계산 비용을 감소시키기 위해 심층 신경망을 활용한 지도 학습을 채택함으로써 MPC를 실제 사용에 보다 접근 가능하게 만든다. 시뮬레이션 결과는 DNN 기반 근사 정책이 상태 추정 및 제약 만족도 측면에서 최적화 문제 전용 최신 솔버들과 비교하여 제어 성능을 동일하게 달성할 수 있음을 확인시켜 준다. 특히 근사 정책의 실행 시간은 암시적 MPC에 비해 약 한 자릿수(orders of magnitude) 정도 더 짧은 반면, 메모리 사용량은 그에 비해 현저히 낮아, 뚜렷한 장점을 강조한다.

본 논문은 신호화된 도로 네트워크에서 특히 딜레마 구역(dilemma zone)에서 커넥티드 카의 주행 효율을 향상시키기 위해, 사회적으로 수용 가능한 사람과 유사한 행동 계획(behavior planning) 방법을 제안한다. 구체적으로, 제안된 방법은 상태 제약에 슬랙 변수(slack variables)를 할당하는 소프트 제약(soft-constrained) 모델 예측 제어(model predictive control)에 기반하며, 이로 인해 효율을 개선하기 위해 도로 속도 제한(speed limit)을 약간 위반하도록 한다. 차량 연결성(vehicle connectivity) 기술을 통해 다수의 신호등에서 예정된 신호 위상 및 타이밍(signal-phase-and-timing) 정보를 활용함으로써, 커넥티드 카는 속도 궤적(speed trajectory)을 최적화하여 교통 규칙을 엄격히 준수하는 차량에 비해 딜레마 구역에서의 정차 횟수를 감소시킨다. 그 결과, 녹색 또는 황색 신호가 켜졌을 때 커넥티드 카는 여러 신호등을 연속으로 통과할 수 있으며, 이로써 전체 통행 시간(trip time)을 최소화하는 것으로 관찰된다. 제안된 방법은 다양한 상황에서의 시뮬레이션을 통해 종합적으로 검증되었고, 특히 딜레마 구역에서 커넥티드 카의 행동은 숙련된 인간 운전자의 행동과 유사하게 나타난다. 또한 본 접근법의 효능은 실험을 통해서도 입증되었으며, 랩 스케일(lab-scale) 주행 시뮬레이터를 사용하여 본 접근법이 생성한 속도 궤적을 서로 다른 인간 운전자가 생성한 궤적과 비교하였다.

본 논문은 상용 전기자동차(EV)에서 흔히 발생하는 실제 문제인 도어 개방 시나리오에 대한 제어 지향 모델을 제시한다. 우리는 실제 EV에서 도어 개방으로 인한 중단을 처리하기 위해 시뮬레이션 모델을 개발하고 검증하였다. 개발된 모델을 사용하여 4가지 난방 컨트롤러를 비교하였다: (i) 냉각수 분기(coolant-dividing) 계층과 도어 개방 신호에 근거하여 실내 공기 유입을 조절하는 구성요소를 포함한 제안된 계층적 비선형 모델 예측 제어기; (ii) 냉각수 분기를 위한 단일 모델 예측 제어기(MPC)와 규칙 기반 실내 공기 컨트롤러의 결합; (iii) 실내 공기 유입 MPC와 통합된 규칙 기반 냉각수 분기 컨트롤러; 및 (iv) 기존의 규칙 기반 컨트롤러. 주변 온도 0, 10, 20 ${}^{\circ }$C에서, 계층적 컨트롤러는 도어 개방이 발생한 실내 구역에서 각 시나리오의 최악 성능 컨트롤러와 비교하여 온도 강하를 각각 7.2, 9.5, 10.92 ${}^{\circ }$C만큼 감소시켰다. 또한 본 전략은 회복 과정에서의 온도 초과(overshooting)를 유의하게 감소시켰으며, 0, 10, 20 ${}^{\circ }$C에서 각각 다양한 실내 구역에 대해 84–87%, 60.8–83.8%, 57.7–66.9%의 감소를 달성하였다. 이러한 결과는 본 전략이 차량 전반에 걸쳐 승객의 열적 쾌적성(thermal comfort)을 향상시킬 가능성을 보여주며, 상용 EV의 향후 열 관리 전략에 대한 유용한 통찰을 제공한다.

이 연구는 모델 예측 제어(Model Predictive Control, MPC)와 관련된 계산 복잡성을 완화하기 위해 심층 신경망(DNN)을 적용함을 보여준다. MPC의 실질적 도입을 저해해 온 계산 복잡성이라는 장벽을 극복하고자 하는 것이다. 이러한 과제는 특히 자율주행 차량의 응용에서 중요하며, 특정 수의 시스템 제약을 강제하면서 다수의 목표를 달성하는 것이 필수적이다. 먼저 적응형 순항 제어(Adaptive Cruise Control, ACC) 문제에 맞춘 제어 알고리즘을 재검토하고 설계한다. 개발된 알고리즘은 각기 다른 제어 모드, 즉 속도 제어와 공간 제어를 각각 다루는 두 가지 상이한 암시적 MPC로 구성된다. 알고리즘 합성 과정에 다중 제어 목표와 제약을 통합하여 만족스러운 제어 성능을 보장한다. 또한 MPC의 계산 비용을 감소시키기 위해 심층 신경망을 활용한 지도 학습을 채택함으로써 MPC를 실제 사용에 보다 접근 가능하게 만든다. 시뮬레이션 결과는 DNN 기반 근사 정책이 상태 추정 및 제약 만족도 측면에서 최적화 문제 전용 최신 솔버들과 비교하여 제어 성능을 동일하게 달성할 수 있음을 확인시켜 준다. 특히 근사 정책의 실행 시간은 암시적 MPC에 비해 약 한 자릿수(orders of magnitude) 정도 더 짧은 반면, 메모리 사용량은 그에 비해 현저히 낮아, 뚜렷한 장점을 강조한다.

본 논문에서는 차량 추종(car-following) 시나리오에서 데이터 기반 예측 선행 차량 속도를 활용하여 연결 및 자율주행 차량(CAV)을 위한 생태적 예측 순항 제어(eco-ecological predictive cruise control) 방법을 제안한다. 많은 기존 연구에서는 주행 중인(선행) 차량의 행태가 알려져 있을 때, 자기 차량(ego vehicle)의 궤적을 계획한다고 가정한다. 그러나 인접 차량의 향후 주행 행태를 예측하는 일은 제어에 활용하기에는 매우 불확실하고 부정확하다. 이를 극복하기 위해, 차량 선행부의 단기 거동을 예측할 때 반응 변수들을 동시에 생성하는 예측에 적합한 벡터 자기회귀 모형(vector autoregressive model, VAR)을 채택한다. 많은 사람 운전자는 차량 추종 상황에서 유사하게 행동하므로, 연결성은 연결된 차량을 따라오는 차량들의 행동에 대한 단서를 제공하기 위해 특히 사용된다. 선행 차량의 미래 궤적이 예측되면, 자기 차량은 안전을 유지하면서 속도 궤적을 최적화하여 에너지 소비를 최소화하는 방식으로 제어된다. 시뮬레이션 사례 연구를 통해, 본 접근법이 선행 차량의 속도를 예측할 수 없는 기존 전략에 비해 에너지 효율을 상당히 향상시킬 수 있음을 입증한다. 차량 연결성 기술 및 첨단 운전자 보조 시스템(ADAS)의 최근 시장 침투를 고려할 때, 제안된 방법은 높은 상용화 잠재력을 가질 것으로 기대된다.

잘 알려진 오프라인 강인 모델 예측 제어(Robust Model Predictive Control, RMPC)는 자율주행차 시스템에서 불확실한 매개변수에 효과적으로 대응한다. 그러나 이 방법은 변수를 저장하기 위한 메모리가 필요하고, 가중치 행렬의 최적 값을 찾기 위해 조회 테이블을 탐색하는 데 추가적인 계산 시간이 요구된다. 이러한 문제를 해결하기 위해, 본 논문은 선형 행렬 부등식(Linear Matrix Inequality, LMI) 최적화를 활용하여 변수 저장 및 조회 테이블의 필요성을 제거할 수 있는, 자율주행차(AV)의 조향 제어 성능 향상을 위한 새로운 오프라인 RMPC 접근법을 제안한다. 총 차량 질량, 전·후륜 코너링 강성, 그리고 변동하는 차량 속도 등 차량 시스템 매개변수와 관련된 잠재적 불확실성을 정의된 폴리토프(polytope) 내로 구속함으로써 효과적으로 처리하고자 한다. 폴리토프 불확실성 방법을 활용함으로써, 오프라인 RMPC는 정의된 폴리토프 내에서의 광범위한 매개변수 변동을 처리하도록 설계된다. 구체적으로, 비용 함수의 상한을 이차형(quadratic form)으로 정의함으로써, 계산 부담을 크게 줄이는 직접 설계형 오프라인 RMPC 방법을 구축한다. 또한 최적 제어는 LMI에 기반한 최적화 문제를 풀이함으로써 설계되어, 효율적인 볼록 최적화 알고리즘의 활용이 가능하다. 입력 및 출력 제약은 복잡하고 동적인 환경에서 AV 시스템의 안전한 운용을 보장하기 위해 강제된다. 마지막으로, 시뮬레이션 결과를 제시하고 기존 연구와 비교하여 본 접근법의 유효성을 입증한다. 더 나아가, 제안된 방법을 추가로 검증하기 위해 Matlab 및 Simulink와 CarSim 소프트웨어에 기반한 공동 시뮬레이션도 수행하였다. 그 결과, 모든 상태 변수가 강제된 제약을 만족하였으며, 경로 추종 성능과 수행 시간 모두 최근 연구보다 더 우수한 것으로 나타났다.

본 연구는 상용차의 바퀴 슬립(wheel slip)을 제어하기 위해 전자식 주차브레이크(EPB) 시스템의 이득 조정을 최적화하는 퍼지 로직 기반 비례-적분-미분(PID) 제어기를 제안한다. 이 제어기는 주된 제동 시스템이 고장난 상황에서 보조 제동 시스템으로 동작하도록 설계되었으며, PD 이득을 동적으로 조정함으로써 안정적인 감속을 달성한다. 또한 본 접근법은 다양한 도로 조건과 차량 적재 상태를 수용하여 휠 록업(wheel lock-up)을 방지하고 횡방향 안정성을 유지하도록 고안되었다. 제어기의 유효성은 여러 조건(예: 눈 및 분할-노면 마찰)에서 수행한 시뮬레이션 시험과 광범위한 차량 실험(예: 눈, 얼음, 및 분할-노면 마찰)을 통해 확인되었다. 그 결과, 구현된 제어기는 견고한 성능을 제공하는 것으로 나타나, 상용차를 위한 신뢰할 수 있는 보조 제동 메커니즘으로서의 잠재력을 검증하였다.