Real-Time Preview Control of Active Suspensions Under Actuation Limits via Learned MPC Surrogates and Online Identification

모든 차량이 도로 위를 주행할 때 마주하는 것은 끊임없이 발생하는 불쾌한 현실입니다. 바로 지면이 결코 평탄하지 않다는 사실입니다. 자동차가 요철를 지날 때 바퀴는 위아래로 움직이며, 별도의 개입이 없다면 이 움직임은 승객에게 직접 전달되어 거칠고 불편한 승차감을 만들어냅니다. 수십 년 동안 엔지니어들은 고무 패드와 기계적 스프링을 사용하여 충격을 일부 흡수하는 수동형 시스템으로 이 문제를 해결하려 노력해 왔습니다. 이후에는 도로 상황에 반응하여 강성이나 감쇠력을 조절할 수 있는 반능동형 시스템이 등장했지만, 이 역시 이미 충격이 가해진 후에 자동차가 반응하는 방식이었습니다. 궁극적인 목표는 항상 능동형 서스펜션이었는데, 이는 모터와 센서를 사용하여 차체를 범프의 반대 방향으로 밀어 올림으로써, 승객이 진동을 느끼기도 전에 진동을 상쇄하는 설정입니다. 이 기술은 더 부드러운 승차감과 더 나은 안전성을 약속하지만, 가장 비싼 차량에서나 볼 수 있는 고급 사양으로 남아 있었습니다. 주요 장벽은 까다로운 절충안 때문이었습니다. 완벽한 대응 동작을 실시간으로 계산하는 데 필요한 컴퓨터는 일반 자동차용 칩에 비해 너무 느렸고, 충분한 힘을 생성하는 데 필요한 모터는 대량 생산을 하기에는 너무 크거나 에너지를 많이 소비했습니다.

벤구리온 대학교(Ben-Gurion University of the Negev)와 광둥 테크니온-이스라엘 공과대학교(Guangdong Technion-Israel Institute of Technology)의 연구팀은 이 간극을 메울 새로운 방법을 제안했습니다. 그들은 고급 계획의 수학적 정밀함과 학습된 신경망의 속도를 결합하면서도, 자동차 모터의 물리적 한계를 준수하는 제어 시스템을 개발했습니다. 상세한 컴퓨터 시뮬레이션을 통해 검증된 이들의 연구는, 슈퍼컴퓨터나 무한한 전력이 없어도 완벽하고 이상적인 서스펜션의 부드러움을 달 achieves 하는 것이 가능하다는 것을 시사합니다. 핵심 통찰은 이 시스템이 단순히 도로에 반응하는 것이 아니라, 앞을 내다본다는 점입니다. 몇 미터 앞에 있는 요철에 대한 데이터, 즉 도로 표면의 '미리보기(preview)' 정보를 사용함으로써, 제어기는 미리 움직임을 준비할 수 있습니다. 그러나 연구진은 중요한 미묘한 차이를 발견했습니다. 이 미리보기 기능은 모터가 약하거나 포화 상태일 때 정확히 가장 유용하다는 것입니다. 액추에이터가 강력할 때는 단순히 방해 요소에 반응하면 되지만, 제한적일 때는 앞을 내다보는 능력이 제한된 힘을 더 일찍 재배분할 수 있게 해주어, 미리보기 정보가 제약이 없는 상황보다 훨씬 더 가치 있게 만들기 때문입니다.

이 시스템을 실용적으로 만들기 위해 연구진은 속도 문제를 해결했습니다. 서스펜션을 제어하는 가장 정확한 방법은 모델 예측 제어(model predictive control)라고 불리는 방식으로, 향후 몇 초 동안의 최적의 행동을 끊임없이 계산하는 것입니다. 완벽한 세상이라면 이 계산이 즉각적으로 이루어지겠지만, 실제로는 고속도로를 주행하는 자동차의 속도에 맞추기에는 너무 오래 걸립니다. 연구진은 이 문제를 해결하기 위해 인공지능의 일종인 신경망을 훈련시켜, 느리지만 완벽한 계산기의 결정을 모방하도록 했습니다. 그들은 신경망에 수천 개의 이상적인 제어기 행동 사례를 입력하여, 도로 조건과 자동차의 상태를 인식하고 동일한 정밀도로 반응하도록 학습시켰습니다. 일단 훈련되면, 이 신경망은 '대리자(surrogate)' 역할을 수행하며 원래 방식보다 거의 80배 빠르게 결정을 내립니다. 이러한 속도 향상은 시스템이 특수하고 비싼 하드웨어가 아닌, 현대 차량에 들어가는 표준 컴퓨터 칩에서도 구동될 수 있을 만큼 충분히 유의미합니다.

연구는 또한 실제 운전에서 흔히 발생하는 문제인 자동차 무게 변화를 다루었습니다. 승객과 짐을 가득 실은 차량은 빈 차량보다 무거우며, 이러한 변화는 서스펜션의 거동을 변화시킵니다. 빈 차를 기준으로 설계된 제어기는 차가 가득 찼을 때 성능이 저하됩니다. 이를 처리하기 위해 연구팀은 주행 중 차량의 현재 무게를 지속적으로 추정하는 온라인 식별 모듈을 추가했습니다. 이 업데이트된 정보를 신경망에 입력함으로써 시스템은 실시간으로 전략을 조정합니다. 시뮬레이션 결과, 이러한 적응형 접근 방식은 무게 변화를 고려하지 않은 시스템에 비해 승객이 느끼는 진동을 32% 추가로 감소시켰습니다.

연구진은 매끄러운 표면부터 거칠고 불규칙한 지형, 심지어 과속 방지턱과 같은 특정 장애물까지 다양한 도로 조건에서 이들의 방법을 표준 베이스라인과 비교 테스트했습니다. 그들은 차량의 4분의 1 모델을 시뮬레이션하여 단일 바퀴와 그 위의 차체 수직 운동에 집중했으며, 이후 차량 전체의 피칭(pitching) 운동을 포함하는 차량 절반 모델로 테스트를 확장했습니다. 결과는 새로운 시스템이 전통적인 방식들을 일관되게 능가한다는 것을 보여주었습니다. 모터의 출력이 충분할 때, 미리보기가 적용된 시스템은 표준 피드포워드(feedforward) 제어기에 비해 진동 가속도를 12% 감소시켰습니다. 과속 방지턱을 지나는 특정 사례에서는 개선 효과가 더욱 극적이었습니다. 0.7초의 미리보기 창을 사용할 경우, 시스템은 베이스라인 대비 진동 가속도를 57%나 줄였습니다. 이 시스템은 바퀴가 요철에 닿기도 전에 차체를 위로 밀어 올리기 시작함으로써, 모터가 과부하되는 것을 방지하는 선제적인 움직임을 수행했습니다.

그러나 연구는 근본적인 경계선 또한 밝혀냈습니다. 연구진은 도로를 미리 내다보는 것의 이점이 모터가 약하고 한계 근처에서 작동할 때 극대화된다는 것을 발견했습니다. 승차감을 부드럽게 만드는 데 필요한 힘이 모터의 최대 한계를 초과하면 시스템은 포화 상태가 됩니다. 이러한 제약 조건 하에서는 도로에 대한 추가 정보가 매우 중요한데, 이는 제어기가 제한된 힘을 최적화하여 사용할 수 있게 해주기 때문입니다. 반대로, 액추에이터가 매우 강력하여 절대 포화되지 않는다면 미리보기의 이점은 줄어듭니다. 이 발견은 엔지니어들에게 명확한 가이드라인을 제공합니다. 즉, 프리뷰 제어를 효과적으로 만들기 위해서는 하드웨어가 무한히 강력할 필요는 없지만, 제어 전략은 액추에이터의 한계를 극복하기 위해 특별히 미리보기를 활용하도록 설계되어야 한다는 것입니다. 또한 연구팀은 너무 멀리 내다보는 것은 도움이 되지 않는다는 것도 발견했습니다. 테스트한 도로 요철의 주파수를 고려할 때 약 0.5초의 미리보기 창이면 충분했습니다. 이 범위를 넘어서는 시야를 확장하는 것은 성능 향상 없이 계산 부하만 증가시켰습니다.

논문은 이 방법이 아직 실제 차량에서 테스트되지는 않았지만, 시뮬레이션 결과가 견고하며 대중적인 도입을 위한 실행 가능한 경로를 제시한다고 결론짓습니다. 이 접근 방식은 복잡한 최적 제어 시스템의 성능을 계산 비용을 최소화하면서 얻을 수 있는 방법을 제공하여, 능동형 서스펜션을 일반 자동차에서도 실현 가능한 옵션으로 만듭니다. 미리보기 제어의 선견지명, 학습된 신경망의 속도, 그리고 실시간 무게 감지의 적응성을 결합함으로써, 연구진은 도로 조건이나 승객 수에 관계없이 모든 주행을 럭셔리 세단처럼 부드럽게 만들 수 있는 시스템을 입증했습니다.