⚡ electrical engineering

Modeling PWM-Time-SOC Interaction in a Simulated Robot

이 논문은 아두이노 기반 4 바퀴 로봇 시뮬레이션에서 PWM 과 시간에 따른 배터리 잔량 (SOC) 소모를 예측하기 위해 물리 법칙과 데이터를 결합한 비선형 모델을 개발하고, 이를 통해 에너지 효율적인 로봇 경로 계획에 기여할 수 있음을 보여줍니다.

원저자: Vidyut Pradeep, Shirantha Welikala

게시일 2026-03-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Vidyut Pradeep, Shirantha Welikala

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 자율 주행 로봇이 "배터리가 언제 닳아 없어질지"를 미리 정확히 예측하는 방법을 개발한 연구입니다.

쉽게 말해, 로봇이 "지금까지 얼마나 달렸고, 앞으로 얼마나 더 갈 수 있을까?"를 계산할 때, 단순히 "배터리가 50% 남았으니 50% 더 가겠지"라고 생각하면 안 된다는 것입니다. 로봇이 얼마나 빠르게 움직이느냐 (모터의 힘 조절) 에 따라 배터리 소모 속도가 비선형적으로 변하기 때문입니다.

이 복잡한 관계를 이해하기 쉽게 세 가지 비유로 설명해 드리겠습니다.

1. 문제 상황: 로봇의 '배터리 수명'은 마법처럼 변한다?

일반적으로 우리는 스마트폰을 쓸 때 배터리가 일정하게 줄어든다고 생각합니다. 하지만 로봇의 모터는 다릅니다.

비유: 로봇을 자전거를 타는 사람이라고 상상해 보세요.
- PWM (펄스 폭 변조): 이는 자전거 페달을 밟는 힘의 세기입니다. (1% 는 아주 가볍게, 100% 는 숨이 턱까지 차게 페달을 밟는 것)
- SOC (충전 상태): 자전거를 타고 갈 수 있는 남은 에너지입니다.

연구자들은 발견했습니다. 페달을 가볍게 밟을 때와 숨이 턱까지 차게 밟을 때, 에너지가 줄어드는 속도가 단순히 비례하지 않는다는 것입니다. 특히 **페달을 세게 밟기 시작하는 순간 (시동)**에는 에너지가 평소보다 훨씬 더 빨리 쏙쏙 빠져나갑니다.

2. 해결책: "물리 법칙"과 "데이터"의 결혼

이 연구팀은 로봇이 에너지를 어떻게 쓰는지 정확히 알기 위해 두 가지 방법을 섞어 썼습니다.

물리 시뮬레이션 (가상 실험실): 컴퓨터 안에서 가상의 로봇을 만들어, 페달을 1% 에서 100% 까지 다양한 힘으로 밟게 했습니다. 이때 모터의 전기적 특성 (저항, 마찰 등) 과 바퀴의 물리 법칙을 모두 적용하여, 실제 로봇이 움직일 때처럼 정교하게 시뮬레이션했습니다.
SINDy (데이터의 숨겨진 패턴 찾기): 이렇게 만든 방대한 데이터 속에서 **"에너지 소모의 비밀 공식"**을 찾아냈습니다. 마치 수많은 요리 레시피 중에서 가장 핵심적인 재료 (물리 법칙) 만 골라내어, 복잡한 수식을 간결하게 정리한 것과 같습니다.

3. 발견된 비밀 공식: 로봇의 에너지 소모는 이렇게 변합니다!

연구팀이 찾아낸 공식은 로봇이 얼마나 오래 (시간) 움직였는지와 페달을 얼마나 세게 (PWM) 밟았는지를 동시에 고려합니다.

시동 시의 '후크' 현상 (Hook):
- 비유: 자전거를 처음 출발할 때, 페달을 세게 밟으면 순간적으로 숨이 차고 에너지가 많이 소모됩니다. 마치 차가 시동을 걸 때 연료를 많이 쓰는 것과 같습니다.
- 이 연구는 이 '시동 순간'의 급격한 에너지 소모를 **로그 함수 (Logarithmic)**라는 수학적 도구로 정확히 잡아냈습니다.
안정된 주행:
- 일단 속도가 붙으면 에너지 소모는 일정하게 유지되지만, 페달을 밟는 힘 (PWM) 이 세질수록 에너지는 제곱이나 세제곱으로 급격히 늘어납니다. (페달을 두 배로 밟으면 에너지는 두 배가 아니라 네 배, 아홉 배로 더 많이 쓸 수 있음)

4. 이 연구가 왜 중요한가요? (실생활 적용)

이 공식이 로봇에 탑재되면 다음과 같은 일이 가능해집니다.

스마트한 계획: 로봇은 "지금 90% 힘으로 가면 10 분 뒤에 배터리가 방전될 거야"라고 미리 계산합니다. 그래서 "아, 10 분 뒤에 배터리가 부족해지니까 70% 힘으로 줄여서 15 분까지 가자"라고 스스로 판단합니다.
중단 방지: 로봇이 임무를 수행하다가 갑자기 배터리가 방전되어 멈추는 (중단되는) 불상사를 막을 수 있습니다.
간단한 계산: 복잡한 시뮬레이션을 매번 할 필요 없이, 이 간단한 공식을 로봇의 작은 컴퓨터 (마이크로프로세서) 에서도 순식간에 계산할 수 있습니다.

요약

이 논문은 **"로봇이 페달을 얼마나 세게 밟느냐에 따라 배터리가 어떻게 변하는지"**를 물리 법칙과 데이터 분석을 통해 간단한 수학 공식으로 만들어냈습니다.

이는 마치 로봇에게 **"내 배터리는 지금 이 정도 힘으로 가면 언제까지 갈 수 있어"**라고 스스로 말하게 해주는 지능형 에너지 관리 비서를 만든 것과 같습니다. 덕분에 로봇은 더 멀리, 더 오래, 더 안전하게 임무를 수행할 수 있게 됩니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 자율 주행 로봇은 제한된 배터리 용량 내에서 임무를 수행해야 하므로, 에너지 효율적인 계획 수립이 필수적입니다. 특히 배터리 잔량 (State of Charge, SOC) 을 정확하게 예측하지 못하면 임무 도중 배터리 방전으로 인한 실패가 발생할 수 있습니다.
문제점:
- 기존의 단순한 선형 모델은 배터리 방전의 비선형 동역학을 제대로 반영하지 못합니다.
- 모든 동작 프로파일에 대한 사전 정의된 룩업 테이블 (Lookup Table) 방식은 다양한 작동 조건이나 로봇 구성에 대해 일반화 (Generalization) 가 어렵고 메모리 효율이 떨어집니다.
- PWM (펄스 폭 변조) 제어 신호, 작동 시간, 그리고 SOC 간의 관계는 모터의 전기적 특성 (저항, 역기전력 등) 과 기계적 동역학 (마찰, 공기 저항 등) 으로 인해 본질적으로 비선형적입니다.
목표: PWM 듀티 사이클과 시간을 입력으로 받아, 로봇의 배터리 SOC 를 실시간으로 예측할 수 있는 해석적 (Analytical) 인 수학적 모델을 개발하는 것입니다.

2. 방법론 (Methodology)

이 연구는 물리 기반 시뮬레이션과 데이터 기반 모델 발견을 결합한 하이브리드 접근법을 사용합니다.

시뮬레이션 환경 구축:
- 아두이노 기반의 4 바퀴 이동 로봇을 MATLAB 환경에서 시뮬레이션했습니다.
- 전기 모델: 모터 저항, 인덕턴스, 역기전력 (Back-EMF), 토크 상수 등을 포함했습니다.
- 기계적 동역학: 로봇 질량, 공기 저항, 구름 저항, 휠 반지름 등을 고려하여 속도 및 토크를 계산했습니다.
- 배터리 모델: 내부 저항으로 인한 전압 강하를 고려하여 전류 소모량과 SOC 감소를 계산했습니다.
- 데이터 생성: PWM 듀티 사이클 (1% ~ 100%) 을 10% 간격으로 변화시키며 300 초 동안 전진 운동을 시뮬레이션하고, 10 초 간격으로 SOC 데이터를 수집했습니다.
모델 발견 기법 (SINDy):
- Sparse Identification of Nonlinear Dynamics (SINDy) 알고리즘을 적용했습니다.
- 물리적 통찰력을 바탕으로 후보 함수 라이브러리 (상수, 선형 시간, PWM 다항식, 로그 함수, 유리 함수 등) 를 구성했습니다.
- 최소 제곱법 (Least-squares regression) 과 희소성 (Sparsity) 제약을 통해 방정식의 계수를 학습하여, 불필요한 항을 제거하고 핵심 governing equations 을 도출했습니다.

3. 주요 기여 (Key Contributions)

통일된 비선형 SOC 예측 모델 개발:
- SINDy 를 활용하여 PWM 듀티 사이클 ( $p$ ) 과 시간 ( $t$ ) 의 결합 효과를 명시적으로 포착하는 단일 비선형 모델 $SOC(t, p)$를 제안했습니다.
- 룩업 테이블 방식과 달리, 임의의 PWM 값과 시간 범위에 대해 해석적으로 SOC 를 계산할 수 있습니다.
- 모델은 3 차까지의 PWM 다항식 항 ( $p, p^2, p^3$ ) 과 로그 시간 항 ( $\ln(1+t)$ ) 을 포함하며, 이는 모터의 전기적/기계적 특성과 배터리 내부 저항에서 유래한 물리적 의미를 가집니다.
물리 기반 데이터 주도 모델링 방법론 제시:
- 시뮬레이션에서 생성된 데이터를 기반으로 SINDy 를 적용하여 지배 방정식을 식별하는 체계적인 방법론을 제시했습니다.
- 순수 경험적 접근 (물리 법칙 무시) 과 순수 이론적 접근 (모든 변수 해석적 풀이) 의 단점을 보완하여, 물리 법칙에 기반한 후보 함수를 학습 데이터로 보정했습니다.
- 검증 데이터셋에서 평균 오차 0.162%, 최대 오차 **0.82%**의 높은 정확도를 달성했습니다.
실제 배포를 위한 확장성 프레임워크:
- 초기 SOC 가 100% 인 가정 하에 모델을 개발했으나, 이를 임의의 초기 SOC ( $SOC_0$ ) 와 환경 매개변수 (지형별 구름 저항 등) 를 포함하도록 확장할 수 있는 경로를 제시했습니다.
- 이 프레임워크는 로봇의 특정 조건 변화에 대해 모델을 완전히 재학습하지 않고도 적응할 수 있는 유연성을 제공합니다.

4. 결과 및 검증 (Results)

도출된 모델:
1. 일반 시간 시리즈 모델 ($SOC(t, p)$): 시간과 PWM 에 따른 SOC 감소를 예측하는 기본 모델.
2. 고정 시간 지평 모델 ($SOC(p)$): 특정 시간 (예: 300 초) 후의 최종 SOC 를 PWM 만으로 예측하는 축소 모델.
3. 순간 SOC 변화율 모델 ( $\frac{\partial SOC}{\partial t}$ ): 순간적인 에너지 소모 속도를 예측.
정확도 검증:
- 고부하 조건 (90% PWM): 300 초 동안 SOC 가 100% 에서 약 67% 로 감소하는 급격한 방전 구간에서도 모델이 실제 시뮬레이션 데이터와 매우 잘 일치했습니다. 특히 초기 전류 급증으로 인한 "후크 (Hook)" 형태의 비선형 감소를 로그 항이 정확히 포착했습니다.
- 저부하 조건 (40% PWM): 300 초 동안 6.5% 만 감소하는 완만한 구간에서도 높은 정확도를 보였습니다.
- 오차 분석: 평균 오차는 0.162% 에 불과하며, 초기 조건 ( $t=0$ ) 에서 최대 0.82% 의 오차가 발생했으나 이는 실제 에너지 계획에 허용 가능한 수준입니다.

5. 의의 및 결론 (Significance)

에너지 인식 계획 (Energy-aware Planning) 가능: 로봇이 임무 수행 전이나 수행 중에 남은 배터리 잔량을 정확하게 예측하여, 에너지 소모가 적은 경로를 선택하거나 작업을 스케줄링할 수 있게 합니다.
계산 효율성: 룩업 테이블을 검색하거나 복잡한 시뮬레이션을 실시간으로 수행할 필요 없이, 간단한 수식 (미세초 단위) 으로 SOC 를 계산할 수 있어 온보드 (Onboard) 구현에 적합합니다.
해석 가능성: 모델의 항들 (다항식, 로그 등) 이 모터의 물리적 특성 (내부 저항, 역기전력, 공기 저항 등) 과 직접적으로 연결되어 있어, 로봇 설계자가 에너지 소모의 원인을 이해하고 설계 최적화에 활용할 수 있습니다.
확장성: 이 프레임워크는 바퀴 달린 로봇뿐만 아니라 배터리로 작동하는 다른 자율 시스템에도 적용 가능하며, 향후 실제 로봇 실험 및 환경 적응형 파라미터 업데이트를 통해 실용성을 더욱 높일 수 있습니다.

요약하자면, 이 논문은 물리 법칙과 데이터 과학 (SINDy) 을 융합하여 로봇의 배터리 소모를 정확하고 해석적으로 예측하는 새로운 모델을 제시함으로써, 자율 로봇의 에너지 관리 및 임무 성공률을 획기적으로 향상시킬 수 있는 기반을 마련했습니다.