GPR-Assisted Whale Optimization for PID Controller Tuning in Automotive Cruise Control Systems

고속도로를 달리는 자동차를 상상해 보십시오. 이 자동차의 속도는 인간의 발이 가속 페달을 밟아 조절하는 것이 아니라, 설정된 목표치에 맞춰 엔진을 끊임없이 조절하는 컴퓨터 시스템에 의해 일정하게 유지됩니다. 이것이 바로 운전자의 피로를 줄이고 연료 효율을 높이기 위해 설계된 기술인 크루즈 컨트롤의 약속입니다. 수십 년 동안 이러한 시스템의 두뇌 역할을 해온 것은 흔히 PID라고 알려진 단순한 세 부분의 제어기였습니다. 이를 현재 속도가 목표에서 얼마나 벗어나 있는지, 그 차이가 얼마나 오랫동안 지속되었는지, 그리고 속도가 얼마나 빠르게 변하고 있는지라는 세 가지 요소에 반응하는 운전자로 생각할 수 있습니다. 이러한 방식은 신뢰할 수 있지만, 도로가 가팔라지거나, 바람이 강해지거나, 자동차 엔진이 예측 불가능하게 작동할 때는 어려움을 겪습니다. 엔지니어들이 이 제어기들을 완벽하게 작동시키려면 세 가지 내부 설정값을 정밀하게 조정해야 합니다. 이를 수동으로 하는 것은 느리고 부정확하며, 최적의 설정을 찾기 위해 기존의 컴퓨터 방식을 사용하는 것은 너무 오래 걸리거나 최선의 해결책을 찾지 못한 채 막다른 길에 갇히는 경우가 많습니다.

타브리즈 대학교(University of Tabiz)의 한 연구자는 두 가지 서로 다른 유형의 계산 지능을 결합하여 더 빠르게 학습하고 더 잘 적응하는 시스템을 만드는, 이 튜닝 문제를 해결하기 위한 새로운 방법을 제안했습니다. 연구 논문에 발표된 이들의 연구는 자연에서 영감을 얻은 탐색 전략과 결과를 예측하는 머신러닝 기법을 결합한 하이브리드 프레임워크에 초점을 맞추고 있습니다. 이 솔루션의 첫 번째 부분은 고래 최적화 알고리즘(Whale Optimization Algorithm)이라는 알고리즘을 사용합니다. 이 방법은 혹등고래의 사냥 행동, 즉 먹잇감을 가두기 위해 점점 좁혀지는 나선형으로 원을 그리며 움직이는 방식을 모방합니다. 컴퓨터 모델에서 이는 광대한 가능한 제어기 설정의 영역을 탐색하는 가상의 '탐색자' 그룹으로 변환됩니다. 이들은 유망한 영역을 찾기 위해 주변을 움직인 다음, 찾아낸 최선의 옵션들을 정교화하기 위해 초점을 좁힙니다. 솔루션의 두 번째 부분은 매우 정확한 예측기 역할을 하는 가우시안 프로세스 회귀(Gaussian Process Regression) 모델을 도입합니다. 탐색자들이 새로운 설정을 테스트할 때마다 전체 시뮬레이션을 실행하는 대신, 이 예측기는 이전 데이터를 바탕으로 결과가 어떻게 될지를 추정합니다. 이는 마치 모든 경로를 직접 걸어보기 전에 지형을 보여주는 지도를 가진 것과 같아서, 시스템이 막다른 길을 건너뛰고 훨씬 적은 단계만으로 최적의 설정을 찾아낼 수 있게 해줍니다.

연구자는 다양한 조건, 즉 급격한 속도 변화와 외부 방해 요인을 포함한 자동차의 크루즈 컨트롤 시스템을 시뮬레이션하여 이 결합된 접근 방식을 테스트했습니다. 그들은 이 새로운 방법을 두 가지 기존 기술, 즉 가능한 모든 설정을 하나씩 확인하는 무차별 대입 방식(brute-force approach) 및 생물학적 진화를 모방하여 더 나은 해결책을 진화시키는 유전 알고리즘(genetic algorithm)과 비교했습니다. 시뮬레이션 결과, 이 새로운 하이브리드 프레임워크가 두 경쟁 모델보다 우수한 성능을 보였습니다. 이 방식은 더 빠르게 최적의 제어기 설정을 찾아냈으며 더 부드러운 주행을 만들어냈습니다. 구체적으로, 이 새로운 방법으로 튜닝된 시스템은 자동차가 목표 속도에 도달하여 안정화되는 데 걸리는 시간을 단 2초 남짓으로 줄였으며, 오버슈트(목표치에 도달하기 전 속도가 과하게 높아지는 현상)를 1% 미만으로 유지했습니다. 반면, 다른 방법들은 안정화되는 데 더 오랜 시간이 걸리거나 자동차가 원하는 속도 주변에서 더 심하게 요동치게 만들었습니다.

단순한 속도 외에도, 연구자는 도로의 다양한 방해 요소에 대한 제어 시스템의 반응을 살펴보는 주파수 분석을 사용하여 시스템의 안정성을 조사했습니다. 시뮬레이션 결과, 새로운 방법은 더 넓은 안전 마진을 유지했으며, 이는 예상치 못한 변화에 직면했을 때 시스템이 불안정해지거나 불규칙해질 가능성이 낮음을 의미합니다. 실제 엔진에 전달되는 명령을 나타내는 제어 신호 또한 더 매끄러웠으며, 급격한 충격이나 진동이 적었습니다. 이는 새로운 방법이 자동차의 반응을 더 빠르게 만들 뿐만 아니라 차량의 기계적 구성 요소에도 더 부드럽게 작용함을 시사합니다. 또한 연구는 제어기의 내부 설정값이 시간이 지남에 따라 어떻게 변하는지도 추적했습니다. 초기에는 시스템이 다양한 가능성을 탐색함에 따라 값들이 넓게 요동쳤으나, 곧 안정적이고 정밀한 숫자 집합으로 수렴했습니다. 이러한 빠른 안정화는 시스템이 새로운 아이디어를 탐색하는 것과 이미 찾은 최선의 것을 정교화하는 것 사이의 균형을 효율적으로 맞추었음을 나타냅니다.

연구자는 또한 예측 모델의 정확성을 검증하기 위해 모델의 추측치를 실제 시뮬레이션 결과와 비교했습니다. 예측값은 실제 결과와 놀라울 정도로 일치했으며, 이는 모델이 매번 비용이 많이 드는 전체 시뮬레이션을 실행하지 않고도 성능을 신뢰성 있게 예측할 수 있음을 확인시켜 주었습니다. 이러한 효율성은 컴퓨터의 시간과 전력이 제한적인 실제 응용 분야에서 매우 중요합니다. 이 하이브리드 접근 방식이 기존 방식보다 더 빠르고 더 높은 안정성을 가지고 우수한 제어기 설정을 찾을 수 있음을 입증함으로써, 이 연구는 차세대 지능형 차량 시스템을 향한 설득력 있는 경로를 제시합니다. 이 연구는 자연에서 영감을 얻은 탐색 알고리즘이 예측 학습 모델과 협력하게 함으로써, 엔지니어들이 실제 도로에서 발견되는 예측 불가능한 상황에서도 더 정확하고 더 견고한 크루즈 컨트롤 시스템을 만들 수 있음을 시사합니다.