System Identification for Dynamic Modeling of Large Steering Angle Vehicles

기술 요약: 대형 조향 각도 차량의 동적 모델링을 위한 시스템 식별

문제 제기
본 논문은 최대 약 115°의 조향 각도를 가질 수 있는 범퍼 카와 같이 극도로 높은 기동성을 갖춘 자율 주행 차량의 모델링 과제를 다룹니다. 선형화된 뉴턴 - 오일러 모델이나 운동학적 자전거 모델과 같은 표준 차량 모델은 소각도 가정에 의존하며 상당한 타이어 슬립을 무시합니다. 이러한 가정은 대형 조향 각도로 인해 뚜렷한 비선형 동적 효과와 전진 및 후진 운동 간의 전환이 발생하는 범퍼 카 영역에서는 실패합니다. 결과적으로 기존 모델들은 모델 예측 제어 (MPC) 와 같은 계획 기반 충돌 회피에 필요한 정확도를 결여하거나, 실시간 배포를 방해하는 과도한 계산적 강성 (stiffness) 으로 고통받습니다. 저자들은 이러한 특정 실험 영역에 대해 모델링 충실도, 계산 효율성, 그리고 물리적 해석 가능성을 균형 있게 맞추는 시스템 식별 프레임워크를 개발하고자 합니다.

방법론
저자들은 물리 기반 (화이트박스), 순수 데이터 기반 (블랙박스), 그리고 하이브리드 (그레이박스) 접근법이라는 세 가지 모델링 패러다임의 비교 연구를 제안합니다.

1. 물리 기반 모델 (화이트박스):

   • 뉴턴 - 오일러 모델: 범퍼 카의 기하학적 구조와 구동 방식에 맞춘 동적 자전거 모델을 개발했습니다. 복잡한 파라미터화 (예: 마법 공식) 를 피하고 제한된 고슬립 데이터로부터 식별하기 어려운 문제를 해결하기 위해, 단순성과 정확성 사이의 균형을 맞추는 구간별 선형 타이어 힘 모델을 통합했습니다. 이 모델은 종방향 항력과 모터 힘을 고려합니다.
   • 운동학적 모델: 시스템 상태에 중심 (CG) 속도뿐만 아니라 직접 구동되는 전륜 속도를 포함하도록 확장된 운동학적 공식을 유도했습니다. 이 공식은 표준 운동학적 모델의 슬립 없는 가정을 넘어 타이어 슬립을 명시적으로 포함합니다.

2. 데이터 기반 시스템 식별:

   • 블랙박스 모델: 정규화된 평균 제곱 오차 (NMSE) 를 최소화하도록 두 가지 다층 퍼셉트론 (MLP) 아키텍처를 훈련시켰습니다. 비선형 외생 입력 자동 회귀 (NARX-MLP) 모델은 속도 진화를 직접 모델링한 반면, 운동학적 MLP(K-MLP) 는 확장된 운동학적 변수의 상태 전이를 모델링했습니다.
   • 그레이박스 모델:
     • SINDy(비선형 동역학의 희소 식별): 물리적 통찰력 (예: 모터 스로틀 동작, 구름 저항, 슬립 동역학) 에서 도출된 후보 함수들의 희소 선형 결합을 사용하여 운동학적 상태 전이를 근사화했습니다.
     • 하이브리드 K-SINDy-MLP: 희소 SINDy 라이브러리의 정확도 한계를 극복하기 위해 SINDy 모델에 잔차 MLP 를 추가했습니다. 이 하이브리드 접근법은 물리 기반 SINDy 예측에 대한 보정 항 (잔차) 을 학습하여 해석 가능성과 신경망의 근사 능력을 결합합니다.

주요 기여

1. 맞춤형 물리 모델: 저자들은 대형 조향 범위와 저속 동역학을 처리할 수 있도록 뉴턴 - 오일러 및 운동학적 자전거 모델을 적응시켰으며, 안정적인 다단계 예측을 위한 특정 이산화 선택과 구간별 선형 타이어 힘 모델을 포함했습니다.
2. 점진적 식별 프레임워크: 본 논문은 블랙박스에서 그레이박스 표현으로의 전환을 체계적으로 탐구합니다. 물리적 구조 (SINDy 를 통해) 를 학습된 모델에 내장함으로써 해석 가능성을 높이고 신경망 구성 요소에 필요한 복잡성을 줄이는 방법을 보여줍니다.
3. 하이브리드 아키텍처: 물리 정보 운동학적 백본과 데이터 기반 잔차 네트워크를 통합한 K-SINDy-MLP 모델 제안은 정확성, 계산 속도, 그리고 해석 가능성 사이의 새로운 균형을 제공합니다.

실험 결과
검증은 OptiTrack 모션 캡처 시스템을 사용하여 7×12m 아레나에서 수집된 1 시간 분량의 주행 데이터를 바탕으로 수행되었습니다. 모델들은 예측 정확도 (NMSE) 와 계산 실행 시간을 기준으로 평가되었습니다.

• 정확도: 순수 블랙박스 K-MLP 가 가장 높은 정확도 (NMSE $4.594 \times 10^{-3}$) 를 달성했습니다. 하이브리드 K-SINDy-MLP 는 유사한 정확도 ($4.765 \times 10^{-3}$) 를 달성하여 순수 물리 기반 뉴턴 - 오일러 모델 ($5.973 \times 10^{-3}$) 과 선형화된 버전보다 현저히 우수한 성능을 보였습니다.
• 계산 효율성: SINDy 기반 모델이 가장 빨랐습니다. K-SINDy-MLP 는 예측 단계당 81.1ms 가 소요되어 뉴턴 - 오일러 모델 (303.7ms) 보다 훨씬 빠르고 블랙박스 MLP 와 비교 가능한 수준이었습니다.
• 극한 영역에서의 성능: 90°를 초과하는 조향 각도가 관여되는 상황 (전진과 후진 운동 간의 전환) 에서 K-SINDy-MLP 모델은 이러한 조건에서 궤적을 정확히 예측하지 못했던 뉴턴 - 오일러 기준 모델보다 현저히 우수한 성능을 발휘했습니다.

의의 및 주장
본 논문은 하이브리드 K-SINDy-MLP 접근법이 모델 정확도와 계산 요구 사항 사이의 균형을 성공적으로 해결한다고 주장합니다. 물리 정보 신경망 모델이 순수 물리 기반선보다 정확도 면에서 우수하면서도 더 낮은 계산 비용을 유지하여, 높은 기동성 환경에서의 충돌 회피와 같은 실시간 응용에 적합함을 보여줍니다. 저자들은 학습 과정에 물리 법칙을 내장하는 것이 정확도를 향상시킬 뿐만 아니라, 주기적으로 변화하는 승객 하중과 같은 가변적 요인의 영향을 받는 시스템에 필수적인 모델의 해석 가능성과 적응성을 강화한다고 강조합니다. 이 연구는 대형 조향 각도 차량의 경우 순수 물리 모델은 실시간 사용에 너무 계산적으로 강성 (stiff) 한 경우가 많고, 순수 데이터 기반 모델은 필요한 물리적 일관성이 부족하다는 점을 시사하며, 하이브리드 접근법이 실현 가능한 중간 지점을 제공한다고 결론지었습니다.