Physics-Informed Multimodal Learning for Wheel-Force Prediction and Grip Utilization Optimization Using Image Detection and Chassis Sensors in Electric Vehicles

오늘날 모든 전기차는 도로와 타이어 사이에 보이지 않는 침묵의 긴장감을 품고 있습니다. 운전자가 가속 페달을 밟거나 스티어링 휠을 돌릴 때, 타이어는 그 명령을 움직임으로 변환하기 위해 노면을 움켜쥐어야 합니다. 도로가 건조하고 매끄럽다면 이 접지력은 강하고 예측 가능합니다. 하지만 노면이 젖은 아스팔트, 자갈, 또는 빙판길로 변하면 가용 접지력은 즉각적이고 예측 불가능하게 변합니다. 자동차의 안전 시스템이 제대로 작동하려면, 각 타이어가 현재 얼마나 많은 힘을 사용하고 있는지, 그리고 미끄러지기 전까지 얼마나 더 많은 힘을 견딜 수 있는지 정확히 알아야 합니다. 이 지식은 통제된 정지와 미끄러짐 사이의 차이를 만듭니다. 문제는 타이어가 차량 아래에 숨겨져 있어, 양산형 자동차에는 들어있지 않은 비싸고 깨지기 쉬운 센서 없이는 이 힘을 직접 측정할 수 없다는 점입니다. 대신, 엔지니어들은 차량의 본체가 어떻게 움직이는지를 관찰하고 전방의 도로를 살핌으로써, 불완전한 단서들로부터 완전한 그림을 맞춰가며 이 힘들을 추정해야 합니다.

한 연구자가 컴퓨터에게 물리학자처럼 생각하고 운전자처럼 도로를 바라보도록 가르침으로써 이 수수께끼를 풀 수 있는 새로운 방법을 개발했습니다. 아비올라 아지모비 기술 대학교(Abiola Ajimobi Technical University)의 티밀레인 아칸데(Timileyin Akande)가 수행한 이 연구는, 전기차의 네 바퀴 각각에 작용하는 정확한 힘을 실시간으로 예측할 수 있는 시스템을 만드는 데 집중하고 있습니다. 연구자는 두 가지 서로 다른 유형의 정보, 즉 속도, 조향 각도, 가속도를 추적하는 차량 자체 센서의 데이터 스트림과 전방의 도로 표면 유형을 식별하는 전방 카메라의 시각 정보 스트림을 결합했습니다. 이 두 스트림을 융합함으로써, 시스템은 자동차가 변화를 실제로 느끼기도 전에 접지력의 변화를 예측할 수 있습니다. 목표는 단순히 힘을 추측하는 것이 아니라, 물리 법칙을 준수하여 타이어가 물리적으로 가능한 것보다 더 많은 접지력을 가진다고 제안하지 않도록 하는 것이었습니다.

이 시스템을 구축하고 테스트하기 위해 연구자는 큰 난관에 봉착했습니다. 정밀한 타이어 힘 측정이 포함된 실제 데이터를 수집하는 것은 매우 드물고 위험한 일이며, 특히 갓 내린 눈이나 얼음처럼 미끄러운 표면에서는 더욱 그렇습니다. 테스트 트랙에서 사고를 낼 위험을 감수하는 대신, 연구자는 매우 상세한 가상 세계를 구축했습니다. 그들은 실제 전기차의 물리학을 모사하고 타이어가 스트레스를 받을 때 어떻게 행동하는지에 대한 수학적 모델을 갖춘 컴퓨터 시뮬레이션을 사용했습니다. 연구자는 건조한 아스팔트부터 빙판길에 이르기까지 다섯 가지 서로 다른 도로 조건에서, 정속 주행부터 비상 제동에 이르는 수천 가지의 가상 주행 시나리오를 실행했습니다. 시각적인 부분을 현실적으로 만들기 위해, 그들은 가짜 도로 이미지를 생성하려 하지 않았습니다. 대신, 실제 도로 이미지로 학습된 대규모 공개 데이터셋을 기반으로 한 카메라 시스템의 출력을 시뮬레이션하여, 컴퓨터가 실제 카메라와 동일한 수준의 불확실성과 정확도로 도로를 "볼" 수 있게 했습니다. 이러한 하이브리드 접근 방식은 센서 판독값과 도로 뷰를 시뮬레이션 상의 정확한 지면 진실(ground-truth) 힘과 쌍을 이루는 9,000개의 라벨링된 사례라는 방대한 데이터셋을 제공했습니다.

그들의 솔루션의 핵심은 차량의 기존 온보드 컴퓨터에서 속도를 늦추지 않고 실행될 수 있을 만큼 작은 경량 신경망 프로그램입니다. 이 시스템은 두 부분으로 구성됩니다. 한 부분은 차량의 센서를 살펴 짧은 시간 동안의 창(window)을 분석하여 차량이 현재 어떻게 움직이는지 이해합니다. 다른 한 부분은 카메라가 제공하는 도로 분류를 살펴, 시스템이 건조한 포장도로를 달리고 있는지, 젖은 자갈길을 달리고 있는지, 혹은 빙판길을 달리고 있는지를 알려줍니다. 이 두 정보 스트림은 시각 정보가 센서 데이터의 해석을 조정할 수 있도록 하는 영리하고 효율적인 방법을 통해 하나로 합쳐집니다. 결정적으로, 시스템은 물리학에 기반한 내장된 규칙집을 가지고 학습됩니다. 만약 시스템이 도로 표면이 허용하는 것보다 타이어가 더 많이 미끄러지게 만드는 힘을 예측하면 벌점을 받습니다. 이는 데이터에 노이즈가 있거나 상황이 생소하더라도 시스템의 예측이 물리적으로 가능하고 안전하게 유지되도록 보장합니다.

시뮬레이션 결과, 이 결합된 접근 방식이 단일 유형의 정보에만 의존하는 것보다 훨씬 더 효과적이라는 것이 입증되었습니다. 젖은 아스팔트, 눈, 빙판과 같은 미끄러운 표면에서, 이 새로운 시스템은 차량 센서만을 보거나 물리 규칙 없이 데이터를 단순히 결합한 시스템에 비해 힘 예측 오차를 22에서 42퍼센트까지 줄였습니다. 아마도 가장 중요한 점은, 이 시스템이 위험한 실수를 훨씬 적게 저질렀다는 것입니다. 시스템은 타이어 접지력의 물리적 한계를 위반하는 경우가 다른 방법들보다 훨씬 적었는데, 이는 타이어가 접지력을 잃기 직전의 순간을 정확히 알아야 하는 안전 시스템에 있어 매우 중요합니다. 또한 시스템은 본 적 없는 도로 조건, 예를 들어 갓 내린 눈에 대해서도 테스트했을 때 일관된 결과를 보여주며 매우 안정적임을 증명했는데, 이는 실제 환경에서도 잘 일반화될 수 있음을 시사합니다. 전체 과정은 매우 빨라서 예측을 수행하는 데 1밀리초도 걸리지 않으며, 이는 현대 차량 안전 제어에 필요한 신속한 의사결정을 따라잡을 수 있음을 의미합니다.

이 연구는 데이터 기반 학습에 물리적 이해라는 층위를 더하는 것이 차량 안전을 위한 더 강력하고 신뢰할 수 있는 도구를 만든다는 것을 보여줍니다. 컴퓨터에게 마찰과 하중 이동의 법칙을 존중하도록 가르침으로써, 연구자는 정확할 뿐만 아니라 신뢰할 수 있는 시스템을 만들었습니다. 이 연구는 향에 인간의 반응 속도가 충분하지 않은 위험한 기상 조건에서, 전기차가 이러한 경량화된 물리 인식 시스템을 사용하여 안정성과 구동력을 더 효과적으로 관리할 수 있음을 시사합니다. 비록 결과는 시뮬레이션에서 달성되었지만, 이 방법은 자신의 움직임만큼이나 도로를 잘 이해하는 더 안전하고 지능적인 자동차를 만들기 위한 명확하고 실질적인 경로를 제시합니다.