데이터 기반 피드포워드 보상기 최적화 방법 자율주행 차량 제어

초록

본 논문은 자율주행 차량의 제어 성능을 향상시키기 위해 데이터 기반 피드포워드 보상기를 설계한다. 주성분 분석(PCA)으로 핵심 특성을 추출하고, 시간 지연 신경망(TDNN)으로 미래 제어 오차를 예측한다. 예측된 오차를 이용해 보상기를 적용함으로써 경로 추적 오차와 조향 휠 각도 진동을 각각 44.4%와 26.7% 감소시켰다.

상세 분석

이 연구는 자율주행 차량 제어 시스템이 외부 교란(노면 상태, 기후, 풍동 등)과 내부 변동(동력 전달 효율 저하, 센서 오차, 시간 지연)으로 인해 발생하는 성능 저하 문제를 데이터 기반 접근법으로 해결하고자 한다. 먼저, 차량 동작 로그와 환경 변수들을 수집한 뒤, 다차원 특성 공간에서 상관관계가 낮고 변동성을 크게 설명하는 변수들을 선정하기 위해 주성분 분석(PCA)을 적용한다. PCA는 고차원 데이터를 저차원으로 압축하면서 정보 손실을 최소화하고, 이후 신경망 학습에 필요한 입력 차원을 효과적으로 줄여준다.

다음 단계에서는 시간 지연 신경망(Time Delay Neural Network, TDNN)을 사용해 미래 일정 시간 구간(예: 0.5~1초) 동안의 제어 오차를 예측한다. TDNN는 과거 시계열 데이터를 윈도우 형태로 입력받아 시간 지연 효과를 모델링함으로써, 전통적인 피드백 제어만으로는 보상하기 어려운 지연 및 비선형성을 포착한다. 학습 과정에서는 평균 제곱 오차(MSE)를 최소화하는 손실 함수를 사용하고, 과적합 방지를 위해 교차 검증과 조기 종료(Early Stopping)를 적용하였다.

예측된 오차 신호는 피드포워드 보상기로 전달된다. 보상기는 예측 오차에 비례하는 보정값을 현재 제어 명령에 더함으로써, 실제 차량이 목표 궤적을 따를 때 발생할 수 있는 오차를 사전에 상쇄한다. 이때 보상기의 이득은 실험 데이터를 기반으로 최적화되며, 과도한 보상으로 인한 진동을 방지하기 위해 제한값(clipping)과 저역통과 필터링을 병행한다.

시뮬레이션은 다양한 주행 시나리오(곡선 주행, 급격한 가속·감속, 외부 풍동 교란)에서 수행되었으며, 기존 PID 기반 피드백 제어와 비교했을 때 최대 경로 추적 오차가 44.4% 감소하고, 조향 휠 각도 진동이 26.7% 감소하였다. 이러한 결과는 피드포워드 보상기가 미래 오차를 선제적으로 보정함으로써 제어 시스템의 안정성과 정확성을 동시에 향상시킬 수 있음을 입증한다. 또한, 데이터 기반 모델링이 차량별 특성이나 도로 환경 변화에 빠르게 적응할 수 있는 유연성을 제공한다는 점에서 실용적 가치가 크다.

본 논문의 주요 기여는 (1) PCA와 TDNN을 결합한 오류 예측 파이프라인을 제시한 점, (2) 예측 오차를 활용한 피드포워드 보상기 설계 및 최적화 방법을 구체화한 점, (3) 다양한 시뮬레이션 환경에서 정량적 성능 향상을 입증한 점이다. 향후 연구에서는 실제 차량 실험을 통한 검증, 온라인 학습을 통한 실시간 적응, 그리고 다중 제어 축(조향·가속·제동) 통합 보상기 설계가 고려될 수 있다.