Online Vehicle Motion Learning based Steering Control for an Automated Driving System using Incremental Sparse Spectrum Gaussian Process Regression

Abstract

자율 주행 차량은 오늘날 우리 사회가 직면하고있는 다양한 교통 문제에 대한 훌륭한 대안으로 기대를 모으고 있다. 최근의 주행 환경 인지 기술과 실시간 연산 성능의 많은 발전으로 자율 주행 차량이 우리의 생활속으로 빠르게 진입하고 있다. 전 세계 수많은 연구팀이 자율 주행 차량이 대응 가능한 주행 영역을 확장하고 있으며, 정비된 고속도로부터 복합 도심까지 모든 주행 시나리오를 정복하기 위해 지속적으로 발전하고 있다. 복잡한 도심 환경에서 범용적인 주행 시나리오를 대응하기 위해 자율 주행 차량의 조향 제어 기술은 직전부터 U턴과 같은 최소 회전 반경 시나리오까지 안정적인 성능을 확보해야 한다. 따라서 조향 제어 기술의 관점에서 자율 주행 시스템의 주행 영역 확장은 조향각의 사용 범위가 전 영역으로 확대됨을 의미한다. 이러한 이유로, 본 연구에서는 복합 도심 환경 자율 주행을 위한 조향 제어 알고리즘을 개발하는데 중점을 두었으며, 개발된 조향 제어 알고리즘은 직진부터 최소 회전 반경 주행까지 임의의 궤적을 주행할 수 있음을 검증하였다. 제안된 조향 제어 알고리즘은 현재의 경로 오차와 미래의 예측 경로 오차를 모두 보상한다. 미래 예측 경로 오차는 현재 상태로부터 예측된, 차량의 미래 주행 궤적으로부터 결정된다. 미래 주행 궤적의 예측을 위한 차량 모델은 증분형 희소 스펙트럼 가우시안 프로세스 회귀 (ISSGPR) 방법에 의해 실시간 주행 데이터로부터 점진적으로 식별된다. 제안된 실시간 차량 모델 학습 기법은 제어 대상 차량의 거동 특성에 대한 사전 정보가 필요하지 않아 실용성 및 적용성을 확보하였다. 제안된 조향 제어 알고리즘의 성능은 다양한 시나리오에서 진행된 실차 테스트 및 시뮬레이션을 통해 검증되었다. 이로부터, 본 연구에서 제안하는 미래 예측 오차의 보상이 직진에서부터 최소 회전 반경까지 임의의 궤적을 주행하는데 효과적이라는 것을 확인하였다. 또한 제안된 조향 제어기의 성능은 Pure-Pursuit 기법 및 모델 예측 제어 방식과 비교하여 더 나은 추종 성능을 보이는 것으로 확인하였다. 또한 제안된 실시간 차량 모델 학습 접근법이 실시간 주행 데이터로부터 차량의 거동을 예측하는 실용적인 방법임이 검증되었다. 제어기 설계 이전에 선행해야하는 기존의 모델링 파라미터 규명 과정은 시간이 다소 많이 걸리는 작업이었으나, 제안된 기법에선 사전 규명 과정 없이 조향 제어기를 적용 가능하다. 실시간 학습 성능을 정량화하기 위해 ISO / TR 8725:1988의 개루프 조향 입력 시나리오를 사용한 시뮬레이션이 수행되었으며, 다양한 시뮬레이션과 실차 테스트로부터 실시간 학습 차량 모델의 동작이 실제 차량의 동작과 매우 유사함을 검증하였다.

An automated driving vehicle has come into the spotlight with the expectation to be an excellent solution to various traffic-related problems, which our society is faced with today. From recent advances in the environment perception technologies and the real-time computing capability, the automated driving vehicle is approaching to our real-life rapidly. Numerous research teams around the world are expanding the driving situations that an automated driving vehicle can handle. Consequentially, the automated driving technology is continuously advancing to conquer all driving scenarios from the highway to complex-urban. To deal with chaotic scenarios in complex-urban, a steering control part in the automated driving system has to secure reliable performance within the full range of steering wheel angle because the automated driving vehicle has to be capable of dealing with the U-turn or mini-roundabout scenarios in inner-city-street. For that reason, this dissertation focused on developing the steering control algorithm, which is capable of tracking the desired trajectory from the near-straight to the minimum turning radius. The proposed steering control algorithm compensates for the current error and the predicted future error both. In order to determine the predicted future error, the proposed algorithm predicts the future driving trajectory of a vehicle from the current states. The vehicle model for the prediction of the future driving trajectory is identified incrementally using the driving data stream by the incremental sparse spectrum Gaussian process regression (ISSGPR) method. The proposed online vehicle model learning approach contributes to the practicality because the prior knowledge of the vehicle dynamics is unnecessary. The proposed steering controller has been validated via vehicle tests and simulations with various challenging scenarios. It was found that the compensation of the predicted future error is effective to track the desired trajectory from the straight to the minimum turning radius. The proposed steering controller shows better tracking performance in comparison with the pure-pursuit and model predictive control approach both. It is also validated that the proposed online vehicle model learning approach is a quite practical way to predict the motion of a vehicle from the driving data stream. The conventional way of the modeling parameter identification process, which is time-consuming, is unnecessary with the proposed approach. Simulations with open-loop steering input scenario from ISO/TR 8725:1988 has been conducted to quantify the online learning performance. Various vehicle tests show that the behavior of the online learned vehicle model is quite similar to that of the actual vehicle model.