⚡ electrical engineering

Energy-efficient torque allocation for straight-line driving of electric vehicles based on pseudoconvex polynomials

이 논문은 합계 제곱 프로그래밍을 활용하여 특정 성질을 가진 고차 다항식으로 모터 손실을 근사화하고, 이를 제약 비선형 최적화 문제로 풀어 전기자동차의 직진 주행 시 배터리 에너지 소비를 최소화하는 효율적인 토크 할당 기법을 제안합니다.

원저자: Josip Kir Hromatko, Šandor Ileš, Branimir Škugor, Joško Deur

게시일 2026-03-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Josip Kir Hromatko, Šandor Ileš, Branimir Škugor, Joško Deur

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **전기차의 배터리를 더 오래, 더 효율적으로 쓰게 해주는 새로운 '지능형 힘 나누기 시스템'**에 대해 설명합니다.

상상해 보세요. 전기차는 보통 엔진 하나만 달린 차가 아니라, 바퀴 네 개 각각에 작은 모터가 하나씩 달려 있는 '네 마리의 말'을 끄는 마차와 같습니다. 운전자가 "가자!"라고 하면, 이 네 마리의 말이 힘을 합쳐 차를 밀어야 합니다.

이때 중요한 질문이 생깁니다. "어떻게 힘을 나누어야 가장 적은 에너지를 쓰면서 달릴 수 있을까?"

예를 들어, 앞바퀴 두 마리만 힘껏 뛰게 할지, 네 마리 모두 고르게 힘을 쓸지, 혹은 뒷바퀴 두 마리만 쓸지 결정해야 합니다. 이걸 **'토크 할당 (Torque Allocation)'**이라고 합니다.

이 논문은 이 문제를 해결하기 위해 세 가지 핵심 아이디어를 제시합니다.

1. 복잡한 지도를 단순한 '매끄러운 곡선'으로 바꾸기

기존에는 모터가 얼마나 전기를 먹는지 (손실) 를 계산하려면 복잡한 표나 데이터 덩어리를 봐야 했습니다. 마치 미로처럼 구불구불한 지도를 보는 것과 같아서, 컴퓨터가 최적의 길을 찾다가 헤매기 쉽습니다.

이 연구팀은 이 복잡한 지도를 **매끄러운 곡선 (다항식)**으로 바꿨습니다. 마치 미로를 한눈에 들어오는 직선 도로로 정리한 것과 같습니다. 하지만 여기서 중요한 건, 이 곡선이 현실적인 규칙을 지켜야 한다는 점입니다.

규칙 1: 모터에 힘을 더 주면 전기 소비도 무조건 늘어나야 합니다. (뒤로 갈수록 올라가는 곡선)
규칙 2: 곡선이 갑자기 꺾이거나 튀는 일이 없어야 합니다. (부드러워야 함)

2. '수학적 안전장비'를 입히기 (Pseudoconvex & SOS)

그런데 단순히 곡선을 그렸다고 해서 항상 좋은 게 아닙니다. 데이터가 조금만 어지러워도 곡선이 뒤집히거나, 현실적으로 불가능한 모양 (예: 힘을 더 줬는데 전기가 아껴지는 이상한 상황) 이 나올 수 있습니다.

이 연구팀은 **'수학적 안전장비 (Sum of Squares Programming)'**를 이 곡선에 입혔습니다.

비유: 마치 유리창을 만드는 것과 같습니다. 유리 (곡선) 가 깨지지 않고 항상 바깥을 향해만 서 있도록, 철근 (수학적 제약 조건) 을 박아둔 것입니다.
덕분에 컴퓨터는 이 곡선을 볼 때, "아, 이 부분은 절대 틀릴 수 없구나"라고 확신하며 **가장 빠른 길 (최적해)**을 찾을 수 있게 됩니다.

3. 네 마리의 말을 똑똑하게 지휘하기

이제 이 매끄러운 곡선을 이용해 네 마리의 말 (모터) 에게 지시를 내립니다.

모든 모터가 똑같다면: 힘을 반반씩 나누거나, 한쪽만 쓸지 결정합니다.
앞뒤 모터가 다르다면 (약한 말과 강한 말): 힘이 약한 말은 가볍게만 일시키고, 힘이 센 말은 무거운 짐을 지게 합니다.

이론적으로는 여러 가지 길 (최적해) 이 있을 수 있지만, 연구팀은 KKT 조건이라는 '수학적 나침반'을 이용해 가장 좋은 길 하나만 딱 골라내는 방법도 함께 제시했습니다.

결론: 실제로 얼마나 좋을까요?

연구팀은 이 방법을 실제 전기차 주행 시나리오 (WLTP, UDDS 등) 에 적용해 봤습니다.

결과: 기존에 가장 정확하다고 알려진 방법 (그리드 검색) 과 비교했을 때, 전기 소비량은 고작 1~2% 정도만 더 썼습니다.
의미: 1~2% 는 날씨나 배터리 상태에 따른 영향에 비하면 아주 작은 차이입니다. 하지만 이 방법은 실시간으로 계산이 가능하다는 점이 큽니다.
- 비유: 예전에는 "어제 미리 계산해 둔 길"을 따라가는 나침반을 썼다면, 이제는 실시간으로 교통상황을 보고 "지금 당장 가장 빠른 길"을 찾아주는 GPS를 장착한 것과 같습니다.

한 줄 요약:
이 논문은 전기차의 네 바퀴 모터가 힘을 어떻게 나누어야 가장 아끼면서 달릴 수 있는지, 수학적으로 완벽하게 정리된 '매끄러운 곡선'을 이용해 실시간으로 찾아내는 똑똑한 방법을 제안했습니다.

1. 문제 정의 (Problem Definition)

배경: 다중 모터를 탑재한 전기차 (EV) 는 구동 토크를 여러 모터에 유연하게 분배할 수 있는 장점이 있습니다. 이를 통해 배터리 에너지 소비를 최소화하는 토크 할당 (Torque Allocation) 전략이 필수적입니다.
기존 방법의 한계:
- 오프라인 최적화/룩업 테이블: 다양한 차량 및 환경 조건에 맞춰 규칙을 생성해야 하며, 실시간으로 차량 파라미터나 제약 조건이 변할 때 적응력이 떨어집니다.
- 온라인 최적화 (비선형): 국소 최소값 (Local Minima) 문제로 인해 최적 해를 찾지 못하거나, 계산 부하가 커서 실시간 적용이 어렵습니다.
- 모델링 정확도 vs 계산 효율성: 모터 손실을 단순화하면 계산은 빠르지만 오차가 크고, 정밀한 모델 (신경망 등) 을 사용하면 과적합 (Overfitting) 우려와 높은 계산 비용이 발생합니다.
목표: 직진 주행 시 에너지 소비를 최소화하면서도, 실시간 최적화가 가능하고 노이즈가 있거나 데이터가 부족한 상황에서도 견고한 (Robust) 토크 할당 알고리즘을 개발하는 것입니다.

2. 방법론 (Methodology)

A. 모터 손실 모델링: 가상 볼록 다항식 (Pseudoconvex Polynomials)

접근 방식: 모터 손실 데이터를 고차 다항식으로 근사하되, 물리적 특성을 만족하도록 제약을 부여합니다.
가상 볼록성 (Pseudoconvexity) 제약: 모터 손실 함수는 토크가 증가함에 따라 단조 증가 (Monotonically Increasing) 해야 합니다. 이를 보장하기 위해 다항식의 도함수가 음수가 되지 않도록 합의 제곱 (Sum of Squares, SOS) 프로그래밍 기법을 적용합니다.
- SOS 기법을 통해 다항식의 비음수성 (Non-negativity) 을 수학적으로 보장하여, 최적화 문제의 해 공간 (Optimization Landscape) 을 잘 제어합니다.
- 이는 고차 다항식의 과적합을 방지하고, 노이즈가 있는 데이터에서도 물리적으로 타당한 (단조 증가, 양수) 모델을 생성합니다.

B. 토크 할당 최적화 전략

문제 형식화: 전체 구동계 손실을 최소화하는 토크 분배 비율 ( $\sigma$ $σ$ ) 을 찾는 제약 비선형 최적화 문제로 정의합니다.
- 동일 모터 (Equal Motors): 앞/뒤 축 모터가 동일한 경우, 토크 분배 비율은 $0.5 \sim 1$ 범위에서 최적화됩니다.
- 상이한 모터 (Unequal Motors): 앞/뒤 모터 성능이 다른 경우, 분배 비율은 $0 \sim 1$ 전체 범위에서 최적화되며, 저토크 구간에서는 약한 모터만, 고토크 구간에서는 강한 모터도 가동하는 전략이 도출됩니다.
해법:
1. 기울기 기반 솔버 (Gradient-based Solver): CasADi 및 Fatrop 솔버를 사용하여 실시간으로 비선형 최적화 문제를 풉니다.
2. KKT 조건 활용: 목적 함수의 1 차 필요 조건 (KKT 조건) 을 분석하여 국소 최소값을 제거하고 전역 최적 해를 찾는 대안적 접근법을 제시합니다.

3. 주요 기여 (Key Contributions)

SOS 기반 다항식 근사법: 임의의 차수 (Order) 를 가지면서도 양수성과 단조 증가성을 보장하는 모터 손실 모델링 방법론을 제안했습니다. 이는 기존 3 차 다항식 모델의 한계 (단일 변곡점 가정 등) 를 극복하고 더 높은 정확도를 제공합니다.
실시간 가능 토크 할당 전략: 제안된 다항식 모델을 기반으로 한 기울기 기반 최적화 알고리즘을 개발하여, 실시간 제어 시스템 통합이 가능하도록 했습니다.
KKT 조건 기반 전역 최적화: 다항식 목적 함수의 특성을 활용하여 KKT 조건을 통해 국소 최소값 문제를 해결하고 전역 최적 해를 도출하는 방법을 비교 검증했습니다.

4. 실험 결과 (Results)

모델링 정확도:
- 제안된 SOS 기반 다항식 (10 차) 은 저토크 영역에서의 진동 (Oscillation) 을 억제하고 단조 증가성을 유지하며, 기존 비제약 다항식보다 물리적으로 더 타당한 모델을 생성했습니다.
- 고차 다항식 사용 시에도 과적합 없이 높은 정확도를 유지했습니다.
에너지 소비 (인증 주행 사이클 평가):
- 동일 모터: 그리드 서치 (Grid Search, 기준) 대비 에너지 소비가 약 1.5% ~ 2.4% 증가했습니다.
- 상이한 모터: 제안된 가상 볼록 다항식 (PP) 기반 방법이 비제약 다항식보다 에너지 효율이 좋았으며, KKT 조건을 적용한 방법 (PP-KKT) 은 그리드 서치 대비 0.2% ~ 0.6% 정도의 매우 작은 오차만 발생시키며 우수한 성능을 보였습니다.
- 전체적으로 제안된 방법은 주행 거리 감소에 미치는 영향이 미미하여 (기후, 배터리 상태 등 다른 요인에 비해 작음) 실용성이 높습니다.
계산 성능:
- 평균 실행 시간은 약 3ms, 최대 15ms로 측정되어, 1 초 샘플링 시간을 가진 실시간 제어 시스템에 충분히 적용 가능함이 입증되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

실시간 최적화의 실현: 복잡한 비선형 최적화 문제를 다항식 근사와 SOS 기법을 통해 효율적으로 풀어, 오프라인 룰 기반 방식의 유연성 부족을 해결하고 실시간 적응형 제어를 가능하게 했습니다.
강건성 (Robustness): 데이터가 희소하거나 노이즈가 있는 상황에서도 물리적 제약 (단조성, 양수성) 을 만족하는 모델을 생성하여, 실제 차량 제어 시스템에 적용 시 발생할 수 있는 비현실적인 동작을 방지합니다.
확장성: 제안된 프레임워크는 다양한 구동계 구성 (4WD, 앞/뒤 모터 차이 등) 에 적용 가능하며, 다른 차량 제어 시스템 (제동, 승차감 제어 등) 과의 통합에도 용이합니다.

이 논문은 전기차의 에너지 효율을 높이기 위해 **수학적 최적화 이론 (SOS, Pseudoconvexity)**과 **실제 제어 요구사항 (실시간성, 강건성)**을 효과적으로 결합한 선구적인 연구로 평가됩니다.