⚡ electrical engineering

Robust Path Following Control for Vehicles with Uncertain Steering Resistance Using Model Error Compensation

이 논문은 조향 저항을 상태 변수로 명시적으로 모델링하고 모델 오차 보상기 (MEC) 를 통해 도로 조건에 따른 불확실성을 보상함으로써 기존 방법보다 정밀한 차량 경로 추종 성능을 달성하는 강인한 제어 기법을 제안합니다.

원저자: Rentaro Iwai, Natsuki Hikasa, Hiroshi Okajima

게시일 2026-04-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Rentaro Iwai, Natsuki Hikasa, Hiroshi Okajima

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 **"차가 길을 잘 따라가게 만드는 똑똑한 운전 비법"**에 대한 이야기입니다.

기존의 자율주행 기술은 차가 "핸들을 얼마나 꺾어야 할지"를 계산할 때, 마치 핸들을 직접 조종하는 로봇 팔처럼 생각했습니다. 하지만 현실은 그렇지 않죠. 비가 오거나 진흙길일 때, 혹은 차가 빠르게 달릴 때는 핸들을 돌리는 데 저항이 생깁니다. 마치 젖은 땅에서 자전거 핸들을 돌릴 때 더 힘들고, 돌이 많은 길에서 카트를 밀 때 더 무거워지는 것과 비슷합니다.

기존 기술은 이 '저항'을 무시하고 계산하기 때문에, 길 상태가 변하면 차가 길을 잘 못 따라가거나 (예: 커브를 돌 때 차가 미끄러지거나) 사고가 날 수 있습니다.

이 논문은 이 문제를 해결하기 위해 두 가지 핵심 아이디어를 제안합니다.

1. "핸들 저항"을 고려한 새로운 모델

기존에는 "핸들을 꺾으면 차가 바로 그 방향으로 간다"고 단순하게 생각했습니다. 하지만 이 연구는 **"핸들을 꺾으려는 힘과, 땅이 핸들을 밀어내는 힘 (저항) 이 서로 싸운다"**는 사실을 인정했습니다.

비유: 마치 무거운 짐을 실은 카트를 밀 때, 바닥이 매끄러운 아스팔트인지, 아니면 푹신한 진흙인지에 따라 밀어내는 힘의 양이 달라지는 것과 같습니다. 이 연구는 이 '바닥의 상태 (저항)'를 계산식에 포함시켰습니다.

2. "모델 오류 보정기 (MEC)"라는 스마트한 보조 조수

그런데 문제는, 이 '바닥의 상태 (저항)'가 실시간으로 변하고 정확히 알기 어렵다는 점입니다. 진흙길인지, 아스팔트인지, 비가 오고 있는지 정확히 측정하기 힘들기 때문입니다.

그래서 연구진은 **'모델 오류 보정기 (MEC)'**라는 장치를 도입했습니다.

비유: 이 장치는 마치 실수하는 조수를 둔 숙련된 운전사와 같습니다.
- 운전사 (기존 제어기): "이 정도 핸들 각도로 돌리면 차가 이 길에 딱 맞을 거야!"라고 계산합니다.
- 조수 (MEC): 하지만 차가 예상대로 가지 않으면, "아! 지금 땅이 미끄러워서 핸들 저항이 더 세진 것 같아. 내가 추가로 힘을 더 줘서 고쳐줄게!"라고 즉시 개입합니다.
- 이 조수는 차가 실제로 어떻게 움직이는지 계속 지켜보며, 계산된 모델과 실제 차의 움직임 사이의 **오차 (실수)**를 찾아내어 즉시 보정해 줍니다.

실험 결과: 얼마나 잘할까요?

연구진은 컴퓨터 시뮬레이션을 통해 이 방법을 테스트했습니다.

상황 1 (길 상태가 예측과 같을 때): 기존 방법과 새로운 방법 모두 차를 잘 길들였습니다.
상황 2 (길 상태가 예측과 다를 때 - 예: 진흙길):
- 기존 방법: 차가 길을 크게 벗어나고, 커브를 돌 때 심하게 흔들렸습니다. (최대 2 미터 이상 벗어남)
- 새로운 방법 (MEC 사용): 차가 길을 거의 벗어나지 않고 부드럽게 따라갔습니다. (오차 0.2 미터 수준으로 줄어듦)

결론

이 논문은 **"차가 핸들을 돌릴 때 느끼는 저항 (진흙, 비, 속도 등) 을 무시하지 말고, 그리고 그 저항이 변할 때 실시간으로 오차를 잡아주는 '스마트 보조 조수 (MEC)'를 붙이면, 훨씬 더 안전하고 정확하게 길을 따라갈 수 있다"**는 것을 증명했습니다.

특히 농기계나 건설 장비처럼 길 상태가 매우 험한 곳에서 일하는 차량들에게 이 기술은 큰 도움이 될 것입니다. 마치 미끄러운 얼음 위를 걷는 사람이, 넘어지지 않도록 스스로 균형을 잡는 기술을 익히는 것과 같은 원리입니다.

1. 문제 정의 (Problem Statement)

배경: 자율주행 및 첨단 운전자 보조 시스템 (ADAS) 의 발전으로 차량의 정밀한 경로 추종 (Path Following) 제어의 중요성이 부각되고 있습니다. 기존 연구들은 주로 조향 각을 직접적인 제어 입력으로 간주하여 제어 알고리즘을 설계했습니다.
한계점: 실제 주행 환경에서는 타이어와 노면의 상호작용, 조향 메커니즘의 마찰 등으로 인해 **조향 저항 (Steering Resistance)**이 발생합니다. 이 저항은 노면 상태 (아스팔트, 진흙, 비포장 도로 등) 와 차량 속도에 따라 크게 변동합니다.
핵심 문제: 기존 제어 방식은 이러한 조향 저항을 명시적으로 고려하지 않거나, 조향 각을 상태 변수가 아닌 단순 입력으로 취급하여 모델 오차를 발생시킵니다. 특히 농기계나 비포장 도로를 주행하는 차량처럼 조향 저항이 심하게 변하는 환경에서는 경로 추종 오차가 급격히 증가하여 안정성과 정밀도가 저하되는 문제가 발생합니다.

2. 제안된 방법론 (Methodology)

이 논문은 조향 저항 역학을 명시적으로 모델링하고, 모델 오차 보상기 (Model Error Compensator, MEC) 를 활용하여 불확실성을 보상하는 강인한 제어 구조를 제안합니다.

차량 모델링의 고도화:
- 기존 연구와 달리 조향 각 ( $\delta$ ) 을 상태 변수로 정의하고, 이를 제어 입력 ( $u$ ) 과 조향 저항 항 ( $Cv\delta$ ) 을 통해 동역학적으로 표현합니다.
- 조향 저항은 차량 속도 ( $v$ ) 와 조향 각 ( $\delta$ ) 에 비례하는 $Cv\delta$ 형태로 단순화되어 모델링되었으며, 계수 $C$ 는 노면 조건에 따라 불확실한 파라미터로 간주됩니다.
- 상태 변수는 미끄럼각 ( $\beta$ ), 요레이트 ( $\dot{\psi}$ ), 조향 각 ( $\delta$ ) 으로 구성됩니다.
제어 구조 (Robust Control Law):
- 기준 제어기: 조향 저항이 없는 이상적인 경우 ( $C=0$ ) 에 경로 추종 오차 ( $z$ ) 가 0 으로 수렴하도록 피드백 선형화 (Feedback Linearization) 기반의 제어 입력 ( $u_0$ ) 을 설계합니다.
- 모델 오차 보상기 (MEC) 적용: 실제 시스템과 명목 모델 (Nominal Model) 간의 출력 차이 (모델 오차) 를 실시간으로 추정하여 보상 신호 ( $u_c$ ) 를 생성합니다.
- MEC 의 특징: 기존 외란 관측기 (DOBC) 와 달리 플랜트 역모델이나 매칭 조건을 요구하지 않으며, 비선형 시스템에 대한 강인성을 확보하기 위해 병렬로运行的인 명목 모델과 실제 시스템의 오차를 피드백합니다.
- 최종 제어 입력: $u = u_M (\text{명목 모델 기반}) + u_c (\text{MEC 보상})$ 형태로 구성됩니다.

3. 주요 기여 (Key Contributions)

조향 저항 역학을 포함한 차량 모델 및 제어 시스템 설계: 조향 각을 상태 변수로 취급하고 조향 저항의 영향을 명시적으로 모델에 반영하여, 기존 연구 [10] 와 차별화된 동역학 모델을 제시했습니다.
MEC 를 활용한 불확실성 보상: 조향 저항 계수 ( $C$ ) 의 불확실성을 MEC 프레임워크를 통해 보상하여, 다양한 노면 조건에서도 경로 추종 성능을 유지하도록 했습니다.
파라미터 불일치에 대한 실용적 범위 규명: 체계적인 수치 시뮬레이션을 통해 제안된 방법이 유효하게 작동하는 조향 저항 계수 불일치 범위 ( $0.75 \le C/C_M \le 1.25$ ) 를 경험적으로 규명했습니다.

4. 시뮬레이션 결과 (Results)

두 가지 다른 경로 (직선 후 사각형 패턴, 지그재그 패턴) 에 대해 시뮬레이션을 수행하고, 모델 파라미터가 일치하는 경우와 불일치하는 경우를 비교했습니다.

모델 파라미터 일치 시 ( $C = C_M$ ):
- 기존 방법과 제안된 방법 모두 경로 추종 오차가 매우 작아 (약 0.02~0.03m) 정밀한 추종이 가능함을 확인했습니다.
모델 파라미터 불일치 시 ( $C \neq C_M$ ):
- 기존 방법: 조향 저항 계수 오차가 발생하면 추종 오차가 급격히 증가했습니다. (예: $C/C_M = 1.25$ 일 때 최대 오차 약 2.14m~2.48m 발생).
- 제안된 방법: MEC 를 적용함으로써 파라미터 불일치에도 불구하고 오차를 크게 억제했습니다. (동일 조건에서 최대 오차 약 0.18m~0.25m 로 감소).
- 강인성 범위: $C/C_M$ 비율이 0.75 에서 1.25 사이일 때 제안된 방법은 우수한 성능을 유지했으나, 이 범위를 벗어나면 성능이 저하되거나 발산할 수 있음을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

기술적 의의: 조향 저항과 같은 물리적 불확실성을 명시적으로 모델링하고 MEC 를 통해 보상하는 접근법은, 특히 농기계나 비포장 도로 주행 차량과 같이 환경 변화에 민감한 차량의 경로 추종 제어에 중요한 기여를 합니다.
성능 향상: 수치 시뮬레이션을 통해 제안된 방법이 기존 방법 대비 최대 추종 오차를 획기적으로 줄여주었음을 입증했습니다.
한계 및 향후 과제:
- 현재는 수치 시뮬레이션에 국한되어 있으며, 폐루프 시스템의 엄밀한 안정성 분석 (Zero Dynamics 포함) 이 수행되지 않았습니다.
- 조향 저항 모델이 단순화된 현상론적 모델이므로, 더 정교한 비선형 모델로의 확장 필요.
- 차량 속도가 일정하다고 가정했으므로, 가속/감속 상황에서의 적용성 검증 및 상태 관측기를 통한 부분 상태 측정 문제 해결이 향후 과제로 남았습니다.

요약하자면, 이 논문은 조향 저항의 불확실성을 고려한 새로운 차량 모델을 제안하고, 모델 오차 보상기 (MEC) 를 도입하여 다양한 노면 조건에서도 강인한 경로 추종 성능을 달성하는 제어 전략을 제시했습니다.