하이브리드 물리‑인포메이션 신경망을 이용한 차량 동역학 모델 정밀 추정

초록

본 논문은 사전 학습된 Deep Dynamics Model(DDM)을 소규모 데이터로 미세조정하는 Fine‑Tuning Hybrid Dynamics(FTHD) 방식을 제안한다. PINN 기반의 감독·비감독 학습을 결합하고, 잡음이 많은 실측 데이터를 EKF로 전처리한 EKF‑FTHD를 구현해 기존 Deep Pacejka Model(DPM)·DDM보다 높은 파라미터 추정 정확도와 강인성을 확보한다. 시뮬레이션과 Indy Autonomous Challenge 실험을 통해 데이터 양 감소에도 우수한 성능을 입증한다.

상세 분석

이 연구는 차량 동역학 모델링에서 물리 기반 접근과 데이터‑드리븐 학습의 장점을 동시에 활용하려는 최신 흐름을 잘 반영한다. 기존의 전통적 파라미터 추정은 초기값 의존성, 긴 실험 시간, 복잡한 장비 요구 등으로 실용성이 떨어졌으며, 순수 딥러닝은 대규모 라벨링 데이터와 물리적 제약 미반영 문제를 안고 있었다. 저자들은 이러한 한계를 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 사전 학습된 DDM을 기반으로 하여 일부 레이어를 고정하고 나머지 레이어만 미세조정하는 하이브리드 PINN 구조(FTHD)를 설계했다. 이 과정에서 감독 손실(MSE)과 물리 손실(동역학 방정식 위반 정도)을 동시에 최소화함으로써 작은 데이터셋에서도 물리적 일관성을 유지한다. 둘째, 실세계 센서 데이터에 내재된 잡음을 EKF로 분리·제거하는 EKF‑FTHD 프레임워크를 제안했다. EKF는 비선형 시스템의 상태와 공분산을 순차적으로 추정해 물리 신호와 잡음 성분을 명확히 구분하고, 정제된 신호를 PINN에 공급함으로써 학습 수렴 속도와 최종 파라미터 정확도를 크게 향상시킨다.

기술적인 구현 측면에서 저자들은 STM(바이시클) 모델을 기본 동역학식으로 채택하고, Pacejka 마법공식의 B, C, D, E 및 수평·수직 시프트 파라미터를 포함한 총 20여 개의 미지 파라미터를 추정 대상으로 삼았다. 파라미터 공간을 사전 정의된 구간으로 제한하고, 학습 과정에서 물리적 경계 조건을 손실 함수에 가중치로 포함시켜 비현실적인 값이 도출되는 것을 방지한다. 또한, 레이어 동결 전략을 통해 기존 DDM의 일반화 능력을 보존하면서 새로운 데이터에 대한 적응성을 확보했다.

실험 결과는 두 단계로 나뉜다. 첫 번째는 BayesRace 시뮬레이터를 이용한 스케일 모델 검증으로, FTHD가 DPM·DDM 대비 평균 절대 오차(MAE)를 30 % 이상 감소시켰으며, 데이터 양을 50 % 줄여도 성능 저하가 미미했다. 두 번째는 Indy Autonomous Challenge에서 수집한 실제 차량 데이터에 EKF‑FTHD를 적용한 사례이다. EKF 전처리 후 PINN 학습을 진행했을 때, 파라미터 추정 오차가 평균 0.12 % 수준으로 수렴했으며, 기존 Savitzky‑Golay 필터 대비 손실 함수 값이 45 % 낮았다. 이는 잡음이 큰 실측 데이터에서도 물리적 인사이트를 유지하면서 모델 정확도를 크게 끌어올릴 수 있음을 의미한다.

전반적으로 이 논문은 (1) 사전 학습된 물리‑인포메이션 네트워크의 효율적 재활용, (2) EKF 기반 잡음 분리·전처리 기법, (3) 제한된 데이터 환경에서도 강인한 파라미터 추정이 가능한 하이브리드 학습 프레임워크라는 세 가지 혁신을 제시한다. 이러한 접근은 고속 레이싱 차량뿐 아니라 일반 자동차, 로봇, 항공기 등 다양한 비선형 동역학 시스템에 확장 적용 가능성을 열어준다.