잠재공간 기반 엔진 배출 가스 예측을 위한 공동 임베딩 예측 구조

초록

본 논문은 엔진 가속·감속 등 급격한 전이 상황에서 배출 가스를 정확히 예측하기 위해, 기존의 MLP·LSTM 같은 단일 구조 대신 공동 임베딩 예측 아키텍처(JEPA)를 활용한 잠재공간 모델을 제안한다. 실제 주행 PEMS 데이터와 고주파 HIL 시험 데이터를 결합해 학습하고, 구조적 프루닝·양자화를 적용해 온보드 ECU에 적합한 경량 모델을 구현하였다. 실험 결과, LSTM 대비 예측 정확도와 일반화 능력이 크게 향상되었으며, 압축 후에도 성능 저하가 미미함을 확인하였다.

상세 분석

본 연구는 엔진 배출 가스의 비선형·시변 특성을 효과적으로 포착하기 위해, 입력‑출력 전체를 직접 매핑하는 전통적 단일 신경망 구조의 한계를 명확히 짚고 있다. 특히 LSTM은 시간 의존성을 학습하는 데 강점을 보이지만, 전체 입력 공간을 그대로 사용하면서 잡음과 상관관계에 과도하게 의존하게 되어 데이터 변동성에 취약하고, 모델 규모가 커질수록 연산 비용이 급증한다는 문제점을 지적한다. 이를 해결하기 위해 저자들은 Joint Embedding Predictive Architecture(JEPA)를 도입하였다. JEPA는 과거 시퀀스와 마스킹된 미래 시퀀스를 각각 인코더로 변환해 공통 잠재공간에 매핑하고, 물리적으로 일관된 과거‑미래 쌍은 서로 가깝게, 비일관적인 쌍은 멀리 떨어지도록 학습한다. 이 과정에서 모델은 ‘핵심적인 동역학 변수’를 자동으로 추출해 저차원 표현으로 압축한다. 결과적으로 잡음은 자연스럽게 억제되고, 핵심 물리량에 대한 민감도가 강화되어 일반화 성능이 크게 개선된다.

학습 데이터는 두 단계로 구성된다. 첫째, BMW 530e HEV에 장착된 PEMS를 이용해 실제 도로 주행에서 10시간 이상, 146개 채널을 5 Hz로 수집해 다양한 운전 모드와 전이 구간을 포괄한다. 둘째, 동일 엔진을 테스트 벤치에 옮겨 동일한 토크‑속도 프로파일을 재현함으로써 고해상도 실험 데이터를 확보한다. 이렇게 풍부한 데이터는 JEPA가 실제와 실험 환경 사이의 도메인 차이를 최소화하면서도 전이 구간의 급격한 배출 변화를 학습하도록 만든다.

모델 압축 단계에서는 구조적 프루닝을 적용해 불필요한 채널과 레이어를 제거하고, 이후 포스트 트레이닝 양자화(8비트)로 메모리와 연산량을 대폭 감소시켰다. 압축 전후의 성능 차이는 NOx, CO, THC 등 주요 오염 물질에 대해 평균 절대 오차가 2 % 이하로 유지돼, 실시간 ECU 구현에 충분히 적합함을 보여준다. 또한, 압축된 모델은 추론 지연이 30 % 이상 단축되어 모델 예측 제어(MPC)나 모델 기반 강화학습에 바로 적용 가능하다.

종합하면, 본 논문은 (1) 전이 배출 가스 예측에 적합한 잠재공간 학습 프레임워크, (2) 실제·실험 데이터를 결합한 고품질 데이터셋 구축, (3) 온보드 적용을 위한 실용적인 모델 압축 전략이라는 세 축을 성공적으로 결합하였다. 이는 향후 배출 제어 전략을 데이터‑주도형으로 전환하고, 규제 대응 및 연료 효율 향상을 동시에 달성하는 데 중요한 기술적 토대를 제공한다.