신경망 기반 비선형 예측 기능 제어기로 자율주행차 속도 최적화

초록

본 연구는 연료 소비를 최소화하면서 사전 정의된 속도 궤적을 따라 주행하도록 자율주행차의 가스·브레이크 제어를 수행하는 신경망 기반 비선형 예측 기능 제어기(PFC)를 설계한다. 차량 엔진 모델링에는 간단한 피팅 신경망을 사용하고, 독립 모델 방식과 제약 조건 처리를 결합해 제어기의 강인성을 확보하였다. MATLAB Simulink와 IPG CarMaker를 이용해 시뮬레이션을 수행했으며, 기존 PI 제어기와 비교해 연료 절감 및 속도 추종 성능이 향상됨을 확인하였다.

상세 분석

이 논문은 예측 기능 제어(PFC)와 신경망 모델링을 결합한 하이브리드 제어 구조를 제시한다는 점에서 흥미롭다. 먼저 차량 엔진 및 구동 시스템을 비선형 특성을 갖는 피팅 신경망으로 근사함으로써, 전통적인 물리 기반 모델링에서 발생할 수 있는 파라미터 추정 오류를 회피한다. 신경망은 입력으로 엔진 회전수, 스로틀 위치, 차량 속도 등을 받아 출력으로 순간 연료 소비와 토크를 예측하도록 설계되었으며, 학습 데이터는 실제 주행 로그와 시뮬레이션 데이터를 혼합해 다양성을 확보하였다.

제어기 설계 단계에서는 ‘독립 모델(Independent Model)’ 방식을 도입해, 제어 목표와 제약 조건을 별도의 모델로 분리한다. 이는 제어 명령 계산 시 제약 위반 가능성을 사전에 탐지하고, 필요 시 제어 입력을 조정하는 메커니즘을 제공한다. 제약 조건은 가스·브레이크 페달의 물리적 한계와 안전 주행 속도 구간을 포함하며, 라그랑주 승수 기반의 실시간 제약 처리 알고리즘이 적용된다.

예측 기능 제어는 미래의 입력 시퀀스를 최적화 문제로 정의하고, 비용 함수에 연료 소비와 속도 추종 오차를 가중치로 포함한다. 비선형 신경망 모델이 비용 함수 내에 직접 삽입되므로, 최적화는 비선형 프로그래밍 형태가 되며, 이를 해결하기 위해 순차 이차 계획법(Sequential Quadratic Programming, SQP)이 활용된다.

시뮬레이션 환경은 MATLAB Simulink와 IPG CarMaker의 공동 연동으로 구현되었다. CarMaker는 실제 도로 지형과 교통 상황을 재현하고, Simulink는 제어 알고리즘과 신경망을 실시간으로 실행한다. 실험 시나리오는 일정 구간의 고정 속도 유지, 가속·감속 구간, 그리고 복합적인 도시 주행 패턴을 포함한다. 결과는 PFC가 동일한 속도 궤적을 따르면서 평균 연료 소비를 약 7 % 감소시켰으며, 속도 추종 오차 RMS는 기존 PI 제어기 대비 30 % 이상 감소함을 보여준다. 또한, 제약 위반이 발생하지 않아 안전성 측면에서도 우수함을 입증한다.

하지만 논문에는 몇 가지 한계도 존재한다. 첫째, 신경망 모델이 학습 데이터에 과도하게 의존하므로, 새로운 도로 조건이나 차량 파라미터 변화에 대한 일반화 능력이 검증되지 않았다. 둘째, 실시간 최적화 계산량이 비교적 높아 실제 차량 ECU에 적용하기 위해서는 연산 효율화가 필요하다. 셋째, 연료 소비 모델이 단순히 순간 연료 흐름을 예측하는 수준에 머물러, 배터리 전기차와 같은 하이브리드 시스템에는 직접 적용하기 어려울 수 있다. 전반적으로, 비선형 신경망과 예측 제어를 결합한 접근법은 자율주행차의 에너지 효율 향상에 유망하지만, 실용화를 위한 추가 연구가 요구된다.