기술 요약: 주행 중 양산 차량 신호를 이용한 머신러닝 기반 이진 도로 노면 분류

문제 정의

정확한 실시간 타이어-노면 마찰력 추정은 충돌 경고, 적응형 크루즈 컨트롤(ACC), 자동 긴급 제동(AEB)을 포함한 차량 안전 시스템에 매우 중요합니다. 현재의 AEB 시스템은 오탐지를 피하기 위해 종종 건조한 노면 마찰 값을 가정하며, 이는 눈이나 얼음과 같은 미끄러운 노면에서 조기에 반응하는 능력을 제한합니다.

마찰력을 추정하는 전통적인 방법은 타이어 강성(stiffness)을 추론하기 위해 슬립 슬로프(slip slope)를 계산하는 역학 기반의 재귀적 추정기(예: 최소제곱법, RLS)에 의존합니다. 그러나 이러한 방법들은 다음과 같은 상당한 한계에 직면해 있습니다:

1. 슬립 의존성: 효과적으로 작동하기 위해 미세 슬립(micro-slip)이 필요합니다. 저자극 주행(cruising) 조건에서는 슬립이 최소화되거나 존재하지 않으므로 이러한 추정기는 효과적이지 못합니다.
2. 센서의 한계: 양산형 센서(예: 휠 속도 센서)는 서로 다른 노면을 구별하는 데 필요한 미세 슬립을 저자극 상황에서 측정하거나 정확하게 추정하는 데 어려움을 겪습니다.
3. 환경적 가변성: 온도, 타이어 마모, 공기압 등의 요인은 타이어 강성과 접지력 간의 상관관계를 복잡하게 만듭니다.

본 연구에서 다루는 핵심 과제는 저자극 주행 중 온보드 차량 신호만을 사용하여 노면 상태(특히 고접지 및 저접지 상태의 구분)를 신뢰성 있게 분류할 수 없다는 점입니다.

방법론

저자들은 차량 역학 거동과 노면 상태를 상관시키는 데이터 기반 프레임워크를 제안합니다. 본 연구는 윈터 타이어를 장착한 사륜구동 전기차에서 수집한 약 10시간의 눈/얼음 데이터와 20시간의 건조/습윤 데이터를 포함하는 데이터셋을 활용합니다. 데이터는 100Hz로 샘플링되었습니다.

데이터 전처리 및 레이블링

• 레이블링: 내부 광학 센서를 사용하여 시계열 버퍼를 "그립(grip, 건조/습윤)" 또는 "슬립(slip, 눈/얼음)"으로 자동 레이블링했습니다. 수분 막 두께를 측정하기 어렵고 선형 영역에서 타이어 거동이 건조 및 습윤 상태와 유사하다는 점을 고려하여 습윤 조건은 제외되었습니다.
• 정규화: 시계열 분석에 필수적인 상대적 크기 차이를 보존하면서 신호를 0과 1 사이로 제한하기 위해 글로벌 Min-Max 정규화를 적용했습니다.
• 윈도잉: 차량 신호의 짧은 버퍼를 배치로 처리하기 위해 슬라이딩 윈도우 접근 방식을 사용했습니다.

두 가지 상호 보완적인 접근 방식

본 연구는 두 가지 별개의 머신러닝 아키텍처를 평가합니다:

1. 특징 기반 XGBoost 모델

• 입력 특징: 주행 중 미끄러움 감지를 위해 문헌에 근거하여 선택된 특징들:
  • 구동륜과 비구동륜의 속도 비율.
  • 슬립 비율의 제곱평균제곱근(RMS).
  • 슬립 비율 미분값의 RMS.
  • 종방향 가속도의 RMS.
• 제약 조건: 데이터셋은 중앙값 종방향 가속도가 0.05G 미만, 휠 속도 차이가 2kph 미만, 조향/요 레이트가 특정 저자극 한계 내에 있는 4초 버퍼로 제한되었습니다.
• 알고리즘: 선택된 특징들로부터 비선형 판별 함수를 학습하기 위해 Extreme Gradient Boosting(XGBoost) 기반의 앙상블 방법을 사용했습니다.

2. 엔드 투 엔드(End-to-End) 1D CNN

• 입입력: 휠 속도, 휠 토크, 종/횡/수직 가속도, 조향각, 요 레이트를 포함하는 13개 채널의 다채널 시계열 버퍼(2초 지속 시간, 0.1초 스트라이드).
• 아키텍처: 명시적인 주파수 영역 변환의 계산 비용을 피하면서, 로우 데이터(raw data)로부터 시간 기반 및 암묵적 주파수 기반 패턴 차이를 직접 학습하도록 설계된 1D CNN입니다.
• 제약 조건: 버퍼는 중앙값 가속도 < 0.1G, 휠 속도 차이 < 5kph, 그리고 특징 기반 모델보다 넓은 조향/요 제한 범위를 갖도록 설정되었습니다.

주요 결과

특징 기반 모델 성능

• 테스트 세트 지표: 그립 클래스에 대해 98%의 재현율(recall)과 슬립 클래스에 대해 92%의 재현율을 달려했습니다. 정밀도(precision)는 그립 92.5%, 슬립 97.9%였습니다.
• 특징 중요도: "슬립 비율 미분 RMS"가 가장 중요한 특징(점수: 0.4059)이었으며, 그 다음은 "구동/비구동 속도 비율"(0.2748)이었습니다.
• 관찰 사항: 주행 중 개별 특징들은 클래스 간 차이가 미미했으나, 앙상블 방법은 판별 가능한 상호작용 항을 성공적으로 학습했습니다.

1D CNN 모델 성능

• 테스트 세트 지표: 그립 클래스에 대해 98.85%의 재현율과 슬립 클래스에 대해 89.03%의 재현율을 달성했습니다. 정밀도는 그립 90.0%, 슬크 98.7%였습니다.
• 비교: CNN은 트리 기반 모델에 비해 슬립 클래스를 예측하는 데 더 보수적이었습니다.
• 해석 가능성 (GradCAM): CNN은 가속도 채널(종방향: 0.2654, 횡방향: 0.1224)에 크게 의존했습니다. 저자들은 IMU 가속도 데이터가 노이즈(노면 품질, 엔진 소음, 섀시 진동 등)가 많을 수 있음을 언급하며, 물리적 접지 신호가 아닌 노이즈에 과적합(overfitting)될 위험이 있다고 지적했습니다.

실세계 및 임베디드 테스트

• 일반화: 두 모델 모두 미보유 테스트 주행에서 미미한 오탐지와 함께 눈(snow)을 감지하는 능력을 보여주었습니다. 트리 기반 모델은 눈 감지 성능이 약간 더 좋았으나 운용 영역이 좁았습니다. CNN은 더 넓은 범위의 조건에서 작동했으나 가속/감속 이벤트 시 오탐지에 민감한 모습을 보였습니다.
• 실시간 실행 가능성: 두 알고리즘 모두 라즈베리 파이 하드웨어에 구현되었으며, 추론 시간은 100밀리초 미만이었습니다. 출력을 안정화하기 위해 원형 버퍼(circular buffer)를 사용하는 스무딩 로직을 적용하였으며, 이를 통해 추정된 감지 지연 시간은 약 3초였습니다.

의의 및 주장

본 논문은 저자극 주행 중에도 양산 가능한 온보드 차량 신호만을 사용하여 그립/슬립 노면 상태 분류가 가능하다는 것을 입증한다고 주장합니다.

저자들이 강조한 주요 기여와 한계는 다음과 같습니다:

• 실현 가능성: 데이터 기반 방법은 슬립이 동적 계산을 수행하기에 불충분할 때 기존의 물리 기반 추정기를 대체할 수 있는 유효한 대안을 제공합니다.
• 확장성: 차량별로 특화되어야 하는 전통적인 방법과 달리, 데이터 기반 모델은 다양한 차량 및 타이어 플랫폼으로 확장될 잠재력이 있습니다.
• 신중한 주장: 저자들은 이것이 초기 단계임을 명시적으로 밝히며 몇 가지 한계를 인정했습니다:
  • 문제는 이진 분류(그립 vs 슬립)로 단순화되어 있으며, 습윤, 슬러시 및 노면 전환 상황을 제외했습니다.
  • 미보유 주행에 대한 평가는 정성적이며, 스플릿 뮤(split-mu) 상황에서의 구체적인 감지 지연 시간이나 다양한 노면 유형에 대한 강건성 등의 지표는 아직 정량화되지 않았습니다.
  • 슬라이딩 윈도우를 사용하는 훈련/테스트 분할 전략은 데이터 누수(data leakage)를 초래할 수 있어 더욱 엄격한 검토가 필요합니다.
  • 생산 통합 측면 및 ASPICE 준수 여부는 다뤄지지 않았습니다.

저자들은 이 방법들이 안전 필수 애플리케이션에 인증되기 전, 향후 작업에서 다중 클래스 분류로 확장하고, 복잡한 시나리오(예: 점프 뮤)에서의 실시간 성능 지표를 정량화하며, 다양한 주행 조건에서의 강건성을 검증해야 한다고 결론지었습니다.