⚡ electrical engineering

Path-Tracking Control for a Rear-Wheel-Drive Vehicle Governed by an Implicit ODE via State-Dependent Model Predictive Control

본 논문은 암시적 차량 역학 및 상태 의존적 드리프트 평형을 단일 볼록 정식화(convex formulation) 내에 정확하게 통합하는 상태 의존적 모델 예측 제어(SDMPC) 프레임워크를 제안하며, 이를 통해 마찰 제한 드리프트 매니폴드 상의 후륜 구동 차량과 평형점이 존재하지 않는 복잡한 기동을 수행하는 차량 모두에 대해 강인한 경로 추종 제어를 가능하게 한다.

원저자: Javad Zolfaghari, A.S.M. Harithuddin, A.A. Nuraini, Raja Kamil, Reza Jazar

게시일 2026-08-31

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Javad Zolfaghari, A.S.M. Harithuddin, A.A. Nuraini, Raja Kamil, Reza Jazar

원본 논문은 CC BY 4.0 (https://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

급격하게 휘어지는 도로 위를 달리는 자동차를 상상해 보십시오. 일반적인 주행 시에는 타이어가 노면을 단단히 움켜쥐며, 자동차는 스티어링 휠에 따라 예측 가능한 방식으로 반응합니다. 하지만 운전자가 후륜 구동 자동차를 한계치까지 몰아붙여 옆으로 미끄러지는 통제된 드리프트를 할 때, 물리학은 완전히 변합니다. 타이어는 더 이상 단순히 접지하는 것이 아니라 미끄러지고 있으며, 타이어가 생성하는 힘은 무게가 얼마나 눌려 있는지에 따라 달라집니다. 이 무게는 가속하거나 제동할 때마다 끊임없이 변화합니다. 이는 복잡한 루프를 형성합니다. 자동차의 움직임이 타이어에 가해지는 무게를 변화시키고, 이것이 접지력을 변화시키며, 다시 움직임을 변화시키는 것입니다. 이러한 자동차를 조종하려는 컴퓨터에게 이것은 수학적 악몽입니다. 자동차의 움직임을 설명하는 방정식은 컴퓨터에게 다음에 어떤 일이 일어날지 단순히 알려주는 것이 아니라, 해결책이 문제 자체의 일부가 되는 퍼즐을 풀도록 요구하며 답을 질문 속에 숨겨 놓습니다.

이것이 바로 말레이시아 푸트라 대학교(Universiti Putra Malaysia)와 타를턴 주립 대학교(Tarleton State University)의 연구진이 해결하고자 했던 과제입니다. 그들은 인간 전문가가 달성할 수 있는 것과 같은 정밀도로, 하지만 통제력을 잃을 위험 없이, 까다롭고 고속인 드리프트를 통과할 수 있는 컴퓨터 컨트롤러를 구축하고자 했습니다. 어려움은 자율주행 자동차에 사용되는 표준 컴퓨터 모델들이 계산 속도를 높이기 위해 물리 법칙을 단순화한다는 점에 있습니다. 그 모델들은 자동차가 직선으로 움직이거나 접지력이 일정하다고 가정합니다. 이러한 단순화는 완만한 회전에서는 잘 작동하지만, 자동차가 접지력의 한계에서 옆으로 미끄러질 때는 처참하게 실패합니다. 전체적인 복잡성을 다루는 다른 고급 방법들도 존재하지만, 그것들은 너무 많은 연산량을 요구하여 실시간으로 실행하려면 슈퍼컴퓨터가 필요하기 때문에 속도감 있게 움직이는 자동차에는 무용지물입니다. 연구진은 복잡하고 변화무쌍한 드리프트 자동차의 물리학을 이해할 만큼 똑똑하면서도, 현대 차량에 탑재된 겸손한 수준의 컴퓨터 하드웨어에서도 실행될 수 있을 만큼 빠른 중간 지점을 찾아야 했습니다.

이를 달성하기 위해 연구팀은 '상태 의존형 모델 예측 제어(State-Dependent Model Predictive Control)'라고 불리는 새로운 제어 전략을 개발했습니다. 핵심 아이디어는 자동차의 복잡하고 변화하는 거동을 근사화해야 할 미스터리로 취급하는 대신, 즉각적으로 업데이트할 수 있는 일련의 규칙으로 취급하는 것입니다. 단순히 고정된 모델을 바탕으로 자동차가 어떻게 행동할지 추측하는 대신, 컴퓨터는 자동차의 현재 상태—속도, 각도, 그리고 얼마나 미끄러지고 있는지—를 살펴보고 그 순간에 딱 맞는 물리 법칙을 재계산합니다. 이를 위해 무게와 접지력 사이의 숨겨st된 순환 관계를 계산 과정에 직접 내장합니다. 이렇게 함으로써 컴퓨터는 단순화된 모델에서 발생하는 오류를 피할 수 있습니다. 이는 매번 스티어링 휠을 돌릴 때마다 거대하고 시간이 많이 걸리는 퍼즐을 풀어야 하는 대신, 현재 상황에 수학적으로 정확한 미래 경로의 예측치를 만들어냅니다.

연구진은 이 시스템이 얼마나 잘 버티는지 확인하기 위해 두 가지 뚜렷한 시나리오에서 테스트를 진행했습니다. 첫째, 컴퓨터가 자동차를 완벽한 원을 따라 안내하도록 요청했습니다. 이 테스트에서 자동차는 특정 각도와 속도로 꾸준한 드리프트를 유지해야 했습니다. 시스템은 차량을 성공적으로 제어했으며, 자동차가 목표 지점에서 멀리 떨어진 위치에서 시작했음에도 불구하고 원형 경로를 유지했습니다. 시스템은 오차를 부드럽게 수정하여, 자동차가 급격한 움직임이나 안정성 상실 없이 원하는 드리프트 조건으로 돌아오도록 유도했습니다. 이는 새로운 방식이 꾸준한 드리프트의 복잡한 물리학을 다룰 수 있으며, 초기 조건이 상당히 극단적인 상황에서도 자동차의 균형을 유지할 수 있음을 증명했습니다.

두 번째 테스트는 훨씬 더 까다로웠습니다. 연구진은 자동차가 서로 교차하는 경로인 피겨 에이트(8자 모양) 패턴을 그리도록 프로그래밍했습니다. 이 기동은 특히 까다로운데, 왼쪽으로 드리프트하다가 오른쪽으로 드리프트하는 전환이 필요하기 때문입니다. 자동차가 피겨 에이트의 중심을 가로지를 때, 도로는 잠시 동안 직선으로 펴졌다가 반대 방향으로 굽어집니다. 바로 그 순간에는 유지해야 할 안정적인 드리프트 상태가 존재하지 않으며, 자동차는 일반적인 안정적 드리프트의 규칙이 적용되지 않는 지점을 통과해야 합니다. 대부분의 제어 시스템은 여기서 어려움을 겪어 경로를 놓치거나 드리프트를 완전히 잃을 수 있습니다. 그러나 새로운 컨트롤러는 이 전환을 완벽하게 수행했습니다. 컨트롤러는 곡률이 0인 지점을 통과하며 슬라이드 방향을 부드럽게 역전시켰고, 아주 미세한 편차만을 남긴 채 의도한 경로를 유지했습니다. 자동차는 속도와 접지력을 유지하며, 통제력을 전혀 잃지 않고 슬라이드 방향의 완전한 반전을 실행했습니다.

이 시뮬레이션 결과는 이 새로운 접근 방식이 차량의 역량을 극한까지 몰아붙이는 제어에 강력한 솔루션을 제공함을 보여줍니다. 이는 부정확하지만 빠른 단순 제어기와, 정확하지만 실용적이지 않을 만큼 느린 복잡한 제어기 사이의 간극을 메워줍니다. 자동차 물리학의 숨겨진 수학적 루프를 직접 해결함으로써, 시스템은 실제 사용이 가능한 수준의 계산 비용으로 고정밀 제어를 달성합니다. 비록 이러한 결과가 특정 차량 파라미터를 사용한 컴퓨터 시뮬레이션을 통해 얻어진 것이지만, 이는 명확한 발전 방향을 제시합니다. 이 연구는 고속 드리프트의 혼돈스러운 물리학을 예측 가능하고 제어 가능한 움직임으로 바꾸어, 가장 공격적인 운전 기동을 수행할 수 있는 자율 시스템을 구축하는 것이 가능하다는 것을 보여줍니다. 연구진은 향후 실제 하드웨어와 다양한 자동차 모델을 대상으로 이 아이디어를 테스트해야 한다고 언급했지만, 여기서 쌓은 토대는 드리프트의 수학을 길들일 수 있음을 보여줍니다.

기술 요약: 상태 의존형 MPC를 통한 후륜 구동 차량의 경로 추적 제어

문제 정의
타이어 마찰 한계 근처 또는 그 이상에서 운행되는 후륜 구동(RWD) 차량을 제어하는 데에는 두 가지 뚜렷한 구조적 과제가 존재한다. 첫째, 운동 방정식이 **암시적(implicit)**이다. 종방향 하중 전이가 수직력을 변화시키는데, 이 수직력은 타이어 힘을 결정하는 요소이며, 이 과정에서 종방향 가속도(상태 미분값)가 다시 수직력에 영향을 주는 구조를 갖는다. 결과적으로 상태 미분값이 자신의 지배 방정식 우변에 나타나게 되어, 반복적인 풀이 과정 없이는 표준적인 명시적 적분이 불가능하다. 둘째, 드리프트의 참조 궤적은 고정된 설정값이 아니라 곡률에 의해 인덱싱되는 **상태 의존적 평형 매니폴드(state-dependent equilibrium manifold)**이다. 기존 방식들은 이 문제 해결에 어려움을 겪는다. 선형 시변(LTV) MPC는 1차 테일러 근사에 의존하여 예측 호라이즌 동안 오차가 누적되며, 완전 비선형 MPC(NMPC)는 높은 정확도를 제공하지만 온라인에서 비볼록 최적화 문제를 풀어야 하므로 임베디드 자동차 하드웨어에서 계산 비용이 너무 높다.

방법론
본 논문은 선형 MPC의 계산 효율성과 NMPC의 예측 정확도 사이의 간극을 메우는 상태 의존형 모델 예측 제어(SDMPC) 프레임워크를 제안한다.

정확한 SDC 정식화: 저자들은 암시적이고 비선형적인 단일 트랙 차량 모델(수정 타원형 방법(MEM) 결합 슬립 타이어 힘, 액추에이터 역학, 프레네 좌표계 경로 운동학 포함)을 정확한 상태 의존 계수(State-Dependent Coefficient, SDC) 표현식인 $\dot{z} = A(z)z + B(z)U$ 로 재구성하였다.
- 암시적 ODE 구조를 해결하기 위해, 물리적 상태 미분( $\dot{x}_1, \dot{x}_2, \dot{x}_3$ )을 명시적 상태로 포함하도록 상태 벡터를 확장하였다.
- 하중 전이에 의한 대수적 결합은 $1/(1 - f_{11})$ 항을 포함하는 정확한 인수분해를 통해 상태 의존 행렬 $A(z)$ 와 $B(z)$ 에 직접 흡수되었다(여기서 $f_{11}$ 은 종방향 가속도의 자기 자신에 대한 편미분이다). 이를 통해 테일러 급수 잔차나 고정점 반복 계산의 필요성을 제거하였다.
- 결과적으로 도출된 10-상태 모델은 특정 동작점뿐만 아니라 확장된 상태 공간의 모든 지점에서 정확하다.
재해석적 호라이즌 제어(Receding-Horizon Control): 제어기는 호라이즌을 따라 예측 노드마다 SDC 행렬을 정확하게 평가하는 순차적 선형화 방식을 채택한다. 이를 통해 실제 비선형 역학을 인코딩하는 배치 예측 행렬( $\Phi$ 및 $\Gamma$ )을 구성할 수 있다. 최적화 문제는 여전히 볼록 이차 계획법(QP) 형태를 유지하므로 계산 가능성이 보장된다.
두 가지 제어 정식화:
- 평형 추적(Equilibrium Tracking): 곡률이 일정한 경로에 대해, 제어기는 증강된 상태를 상태 미분이 0인 고정 드리프트 평형 상태로 조절한다.
- 직접 출력 추적(Direct Output Tracking): 단일 평형이 존재하지 않는 복잡한 기동(예: 곡률가 0인 구간에서의 전환)의 경우, 제로(zero) 출력 벡터(사이드슬립 각도, 가속도, 경로 오차 포함)를 0으로 유도하도록 제어기를 재구성하며, 이때 원하는 사이드슬립은 호의 길이(arc length)의 함수로 명시적으로 스케줄링된다.

주요 기여

암시적 ODE 해결: 본 논문은 SDMPC를 후륜 구동 드리프트 제어에 적용하여 암시적 운동 방정식의 문제를 정확히 해결한 최초의 사례를 제시하며, 이를 통해 선형화 잔차 문제를 피하였다.
증강 상태 표현: 드리프트 정상 상태 조건( $\dot{x}_i = 0$ )을 역학 내에 직접 내장한 10-상태 SDC 모델을 도입하여, 별도의 오프라인 평형 계산이 필요 없도록 하였다.
정확도-비용 트레이드오프: SDMC가 (정확한 SDC 인수분해를 사용하여) 완전 NMPC의 예측 정확도를 달면서도 선형 MPC의 볼록 QP 구조를 유지함으로써, 정확도와 계산 비용 사이의 유리한 균형을 제공함을 입증하였다.
일반화된 추적: 프레임워크를 단순 평형 안정화에서 직접 출력 추적으로 확장하여, 단일 정상 상태 드리프트 평형이 존재하지 않는 사이드슬립 부호 반전 및 곡률 0 전환을 포함하는 기동 제어를 가능하게 하였다.

결과
제어기는 두 가지 시뮬레이션 연구를 통해 검증되었다:

원형 경로 (고정 평형): 제어기는 원형 경로 상에서 포스트 커스프(post-cusp) 드리프트 평형으로 차량을 성공적으로 조절하였다. 큰 횡방향 및 코스 오차를 포함한 "심각도 사다리(severity ladder)" 형태의 초기 조건 전반에 걸쳐 강건성을 입증하였다. 시스템은 초기 편차가 크거나 극성이 반대인 경우에도 횡방향 오차가 0으로 수렴하며 유연하게 회복되었다.
8자 경로 (동적 출력 추적): 클로소이드 연결부(곡률 0)를 통한 사이드슬립 부호 반전이 필요한 자기 교차 8자 궤적에서 테스트되었다. 이 시나리오에서는 단일 정상 상태 평형이 존재하지 않는다. 출력 추적 정식화는 스케줄링된 사이드슬립 프로파일을 성공적으로 추적하였으며, 곡률 0 구간을 통과하고 한 바퀴당 두 번의 사이드슬립 부호 반전을 성공적으로 관리하였다. 추적 오차는 작게 유지되었으며(호 구간에서 횡방향 오차 < 2 cm, 전환 시 최대 약 1.8 m), 빠르게 회복되었다.

의의 및 주장
본 논문은 SDMPC 아키텍처가 암시적, 마찰 제한 차량 역학에 대한 통합된 솔루션을 제공한다고 주장한다. 또한 하나의 정확한 예측 모델이 (곡률이 일정한 경우의) 평형 추적과 (복잡한 기하학적 구조에서의) 직접 출력 추적을 모두 처리할 수 있다고 명시한다.

저자들은 다음과 같이 주장의 범위를 명시적으로 제한하였다:

계산 비용 수치(SDMC ~3.8 ms vs NMPC ~50–200 ms)는 하드웨어 인 더 루프(HIL) 벤치마크가 아닌 데스크톱 CPU에서의 단일 스레드 측정값이다.
안정성 결과는 테스트된 시나리오에 대한 경험적 검증이며, 이동하는 곡률 인덱스 참조에 대한 순차적 선형화 기법의 리커시브 가용성(recursive feasibility)이나 리아푸노프 기반의 형식적 안정성 증명을 제공하지는 않는다.
결과는 특정 차량 파라미터 세트와 MEM 타이어 모델을 기반으로 하며, 플랜트-모델 불일치에 대한 강건성 및 실험적 검증이 향후 과제로 식별되었다.

요약하자면, 본 연구는 정확한 SDC 인수분해를 통해 볼록 최적화 프레임워크 내에서 암시적 차량 역학의 고충실도 예측이 가능함을 보여주며, 이를 통해 완전한 비선형 MPC의 계산 부담 없이 극한의 드리프트 조건에서도 견고한 경로 추적을 가능하게 한다.

유사한 논문