대열주행을 위한 V2V 통신 기반 자율협력주행 알고리즘 개발

3.1 오차 가중치를 이용한 센서퓨전

본 연구에서는 V2V 통신을 통해 획득할 수 있는 전방 차량의 GPS 좌표 정보와 전방 차량의 속도 정보를, 자차량의 GPS 좌표 정보와 레이더 센서 정보와 융합하여 전방 차량의 좌표를 추정하는 알고리즘을 개발하였다.

앞서 설명한 것과 같이 GPS로부터 얻는 좌푯값은 최대 수 미터의 거리오차를 포함할 수 있기 떄문에 이를 제어 로직에 그대로 사용할 경우 큰 사고로 이어질 수 있다. 본 연구에서는 이러한 문제를 해결하기 위해 GPS의 위치 좌푯값에 비해 상대적으로 오차가 적은 차속 정보를 활용하여 위치 좌푯값의 정밀도를 높이고자 하였다.

먼저, 전방 차량의 속도는 위치 좌푯값을 이용한 2가지 다른 방법으로 계산할 수 있다. 첫째, V2V를 통해 받은 전방 차량의 GPS 좌푯값(x_g,y_g)의 한 샘플 동안의 변화량으로 계산할 수 있다. 둘째, 자차가 레이다로 측정한 전방 차량의 좌푯값(x_r,y_r)에 대해 같은 방법으로 계산할 수 있다. 식 (1)과 (2)는 이 관계식을 보여준다.

위 식에서 아래 첨자 ()_k와 ()_k-1은 샘플 순간을 나타내며, dt는 샘플링 주기를 나타낸다. (Δx_g, Δy_g)는 전방 차량의 GPS 좌푯값(x_g, y_g)에서 자차량의 GPS 좌푯값을 뺀 값으로, 전방 차량의 위치를 자차량의 로컬 좌표계 기준으로 변환하기 위한 값이다. 이렇게 한 이유는 추후 센서퓨전에서 전방 차량의 좌푯값을 센서퓨전을 통해 계산할 때 자차량의 로컬 좌표계를 기준으로 계측된 전방 차량의 좌푯값(x_r, y_r)과 가중치를 이용한 덧셈을 가능하게 하기 위함이다.

식 (1)과 (2)은 이들 각각의 한 샘플 동안의 변화량을 구하고 있기 때문에, 두 좌푯값에 오차가 존재하지 않는다고 가정하면 υ_g, _k와 υ_r,_k는 동일한 값이어야 함을 알 수 있다. 또한 주목할 것은 (Δx_g,Δy_g)와 (x_r, y_r)은 방향성을 가지는 벡터 물리량이지만 υ_g, _k와 υ_r, _k는 크기만을 가지는 스칼라 물리량이라는 점이다.

전방 차량의 차속을 구하는 방법은 위에서 본 υ_g,_k와 υ_r, _k 이외에 한가지가 더 있는데, 그것은 전방 차량의 샤시 CAN에서 출력되는 전방 차량의 차속 정보를 V2V 통신을 통해 수신하는 것이다(Table 1 참조). 이 값을 υ_c, _k 라고 하면, 현재 샘플 k에서 전방 차량의 차속을 나타내는 값으로 총 3개 즉 υ_g, υ_r, υ_c를 얻을 수 있다. 본 연구에서는 이들 가운데서 υ_c를 상대적으로 가장 신뢰할 수 있는 값으로 판단하여 기준값으로 삼았으며 그 근거는 다음과 같다.

먼저, υ_g의 경우 GPS가 출력하는 좌표계 값 (Δx_g, Δy_g)을 이용해 식 (1)을 통해 얻어지는데, 현재 양산 차량에 장착되고 있는 GPS의 경우 위치 오차가 최대 수 미터까지 나는 것으로 알려져 있다.¹⁰⁾υ_r은 레이더가 출력하는 좌표계 값 (x_r,y_r)을 이용해 식 (2)를 통해 얻어지는데, 레이더 센서의 경우 여러 대의 차량이 밀집해 있는 구간에서는 간섭 현상이 발생해 허위 목표물이 생성되거나 목표물을 측정하지 못하는 경우가 발생할 수 있다.¹¹⁾ 또한, 레이더 센서의 특성상 종방향 좌표에 대해서는 비교적 정확하게 계측하지만, 횡방향 좌표는 좌우로 오차가 발생한다.¹²⁾ 반면 샤시 CAN을 통해 얻어지는 차속υ_c의 경우 본 연구에서 고려하는 경우와 같이 직진 상황이나 횡방향 속도 성분이 작은 경우에는 신뢰성이 높은 것으로 알려져 있으며,¹³⁾ In-Wheel을 적용한 전기차에 제한적으로 장착이 되고 있는 비접촉 광학식속도 센서를 이용할 경우 오차범위를 0.1 % 이내로 줄일 수 있다는 연구도 보고된 바 있다.^14,15)

이제 세 가지 다른 방법을 통해 구한 선행 차량의 속도 υ_g, υ_r, υ_c를 이용하여, 선행 차량의 위치 좌표계 값의 오차를 줄이기 위해 본 연구에서 제안하는 방법을 설명한다. 먼저 위 세 값 가운데 υ_c를 기준값으로 삼은 다음, 나머지 두 값의 오차를 정의한다.

이렇게 계산된 오차와 (Δx_g,Δy_g)와 (x_r,y_r)로부터 아래 식을 이용해 전방 차량의 좌푯값을 계산한다.

위 식을 보면, 두 센서 즉 GPS와 레이더 신호로부터 계산한 오차 가중치와 좌푯값이 서로 교차되어 곱해지는 것을 볼 수 있는데, 이는 오차가 작은 센서 데이터에 더 큰 가중치를 곱해주기 위함이다.

3.2 확장 칼만필터

대열주행의 합류/이탈 상황과 같이 차속이 빠르게 변하는 상황에서도 신뢰성 높은 전방 차량의 좌푯값을 얻기 위해, 본 연구에서는, 확장 칼만필터를 이용해 센서퓨전을 통해 추정한 좌푯값을 추가적으로 개선하는 작업을 수행하였다. 먼저 칼만필터를 위한 상태벡터는 아래와 같이 정의하였다.

위 식에서 는 전방 차량의 좌표이며, 는 전방 차량의 종/횡방향 속도이며, Fig. 2는 이들 값에 대한 좌표계를 보여준다.

Fig. 2

States for Kalman filter

칼만필터를 위한 측정벡터는 식 (8)과 같이 정의하였다.

칼만필터의 상태방정식은 식 (9)로 표현할 수 있다. 자율협력주행 로직의 샘플 주기는 자율주행 제어기의 샘플 주기와 유사한 0.01초를 갖게 되는데, 이렇게 짧은 시간 동안에는 차량의 가속도의 미분인 저크를 0으로 가정하는 것은 무리가 없으며 상태방정식의 천이행렬 A는 식 (10)과 같이 된다.

측정벡터와 상태벡터 사이에는 식 (11)과 같은 비선형 관계가 성립한다.

확장 칼만필터에서는 매 샘플마다 이러한 비선형식을 Jacobian을 통해 선형화시켜 사용하게 되는데 선형화된 측정방정식은 식 (12)와 같다.

식 (12b)를 보면 H_k를 구성하기 위해서 υ_x, _k와 υ_y, _k가 필요하지만, 이들 값은 현재 샘플에서 칼만필터 알고리즘의 수행이 완료되고서야 그 결과물로 나오는 값들임을 알 수 있다. 이런 문제는 측정방정식의 행렬 H_k를 구성할 때, 한 샘플 이전에서 계산된 상태변수 추정값을 사용함으로써 해결할 수 있다.¹⁶⁾

칼만필터는 아래와 같은 식 (13)∼(15)와 같은 단계로 진행된다. 먼저, 상태방정식으로부터 상태벡터 $$ {\widehat{x}}_{\overline{k}}$$를 추정하고 오차 공분산 $$ P_{\overline{k}}$$를 예측한 후, 이를 바탕으로 칼만이득 K_k를 구한다. 이때, Q와 R은 각각 시스템과 측정값에 대한 잡음 공분산 행렬이다.

그 후, 칼만필터의 상태방정식 (9)와 측정방정식 (12)을 이용해 식 (16)과 같이 상태변수를 예측한다.

마지막으로 오차 공분산은 다음 식 (17)을 통해 업데이트 되며, 다시 식 (13)의 과정으로 돌아가 다음 상태를 예측한다.

3.3 알고리즘 성능 검증

이번 절에서는 앞의 두 절에서 소개한 전방 차량 위치 추정 알고리즘의 성능 검증을 위해 수행한 시뮬레이션 결과를 보여준다. 보다 실제적인 검증을 위해 각 센서 데이터에 Table 2와 같이 사인 함수와 가우시안 노이즈를 이용한 Non-gaussian noise를 추가하였다.¹⁷⁾ Table 2에서 N(μ,σ)는 평균이 μ이고 표준편차가 σ인 가우시안 확률분포를 의미한다.

Table 2

Noise added to measurement signals

Table 3은, 자차량이 전방 차량과 동일한 속도로 주행할 때에 CarMaker에서 획득할 수 있는 전방 차량의 정확한 좌표를 기준으로, 본 논문에서 제안된 알고리즘을 통해 추정한 좌푯값의 RMSE(Root Mean Square Error)를 보여주며, 이와 함께 알고리즘의 입력으로 들어가는 GPS 좌푯값과 레이더 좌푯값의 RMSE를 함께 보여준다.

Table 3

RMSE in estimation of proposed algorithm(unit: m)

Table 3을 보면 차량의 속도가 증가하면서 제안된 알고리즘의 RMSE가 증가하는 것을 볼 수 있다. 이는 GPS 오차는 차속이 증가해도 거의 변하지 않는 반면, 레이더의 오차는 차속에 따라 증가하기 때문인 것으로 판단된다. 하지만, 제안된 알고리즘은 레이더 센서의 측정값에 비해 정확도를 약 0.1 m가량 향상시키고 있는 것을 볼 수 있다. 이를 통해 전방 차량에 대한 GPS 좌푯값과 레이더 좌푯값이 오차를 포함하더라도 본 연구에서 개발한 추정 알고리즘을 통해 전방 차량의 좌푯값의 오차를 효과적으로 보정 할 수 있다는 것을 확인할 수 있었다.

4.1 CACC Mode 알고리즘

본 논문에서 제안하는 CACC 알고리즘은 기존의 군집주행 알고리즘과는 다르게 정해진 선두차량이 없이 같은 차선 내의 차량들이 대열을 형성하여 주행하기 위해 사용된다. 이렇게 하는 것은 V2V를 이용한 자율협력주행 시스템에서 어디까지를 하나의 대열로 선정하는지, 어떤 차량을 기준으로 좌표 일원화를 진행하는지에 대한 기준을 선정하기 어려울 뿐만 아니라 이에 따른 장점도 크게 없기 때문이다. 본 논문에서는 V2V를 통해 획득하는 모든 정보를 자차량 기준의 좌표계로 변환하여 제어에 활용하고 있어 제어 측면에서 효율적이며, 레이더 정보뿐만 아니라 다양한 정보를 바탕으로 차량을 제어하는 것을 통해 기존의 ACC에 비해 안전하고 효율적인 제어 수행을 한다.

Fig. 3에서 본 것과 같이 본 논문의 자율협력주행 시스템은 대열주행 유지 시 CACC mode를 수행하게 되는데, 본 연구에서는 이를 위해 V2V 통신 기반의 SMC(Sliding Mode Control) 제어기를 개발하였다. V2V를 통해 획득한 선행 차량과의 가속도, 속도, 상대거리를 기반으로 대열 거리 오차가 0이 될 수 있도록 제어기를 설계하였고, 연산되는 요구 가/감속도를 통해 차량의 종방향 제어를 할 수 있도록 하였다. Fig. 4는 CACC 알고리즘의 개념도를 보여준다. 차량 번호는 자차량이 i이고 앞으로 가면서 번호가 하나씩 줄어들도록 정의하였다.

Fig. 4

Schematics of CACC mode algorithm

SMC 제어기의 구현을 위해 먼저 종방향 제어 오차의 Sliding surface를 아래 식과 같이 정의하였다.

위 식에서 e_δ는 차간거리 오차를, e_υ와 e_a는 자차와 선행차량 간의 속도 및 가속도 오차를 나타낸다.

e_d는 V2V 통신을 통해 수신받는 Convoy gap error를 나타내며 이 값은 식 (19)에서 보는 것과 같이 자차의 전방에 존재하는 대열 참여 차량들에 대한 e_δ의 누적 합을 나타낸다.

식 (18)에서 δ_des는 아래 식과 같이 Time gap τ, 선행 차량 속도 υ_c, 안전 제동거리 δ₀로 구성된다.

선행 연구에 따르면 일반적인 CACC 알고리즘은 Time gap 0.5초 이상에서 작동하는 것을 볼 수 있다.¹⁸⁾ 안전 제동거리는 정차 시 앞차와의 간격을 의미하며, FSRA에 대한 ISO 표준을 참고하여 2 m 이상으로 설정했다.⁹⁾

다음으로는 식 (18)에서 정의한 Sliding surface에 도달하기 위한 조건을 구하기 위해 S에 대한 Lyapunov 함수 V를 식 (21)과 같이 정의하였다.

Lyapunov 함수의 S에 대한 미분은 식 (22)와 같은 Negative semidefinite 조건을 만족해야 하는데, 이를 만족시키기 위한 식을 도출하면 식 (23)과 같다.

이제 위의 Sliding condition을 만족하는 제어 입력을 구하면 다음과 같다.

본 논문의 CACC 모드에서 제어 입력 u는 목표 가속도를 나타내며 u_eq는 등가 제어 입력값을 나타내고, 제어이득 λ는 설계 변수이다. 일반적으로 λ를 작게 하면 채터링 현상이 감소한다. 따라서 시스템의 궤적이 Sliding surface에 거의 도달하면 채터링을 줄이기 위해 가능한 한 λ를 작게 한다.

S가 Sliding surface에 도달하게 되면 S=0이 되므로 u=u_eq가 되는데 CACC 시스템의 등가 제어 입력값은 0이어야 하므로 u는 식 (25)가 된다.

함수는 S=0인 지점에서 불연속이기 때문에 채터링 현상을 방지하고자 sign() 대신 sat() 함수를 사용하였다.

4.2 Merging Mode 알고리즘

대열주행 중 주변 차량이 차선 변경을 통해 전방으로 합류하는 경우, 합류 차량을 제대로 인지하지 못하거나 충분한 감속을 하지 못한다면 충돌 사고로 이어질 수 있다. 합류 차량에 대한 경로 예측을 통해 합류 지점을 파악하고 적절한 요구 감속도를 계산해 충분한 거리를 선제적으로 확보한다면, 충돌 사고를 방지할 뿐만 아니라 급격한 감속을 방지하는 것을 통해 대열 유지 측면에서도 도움이 된다.

차량의 경로를 예측하는 방법에는 주로 물리 기반 모델과 거동 기반 모델이 활용되어 왔다. 물리 기반 모델은 등속도 모델(Constant velocity model), 등가속도 모델(Constant acceleration model) 등이 있으나 차선변경과 같이 차량의 Yaw 거동이 발생하는 상황에서는 오차가 크게 발생해 짧은 시간 예측만 가능하다는 한계가 있다.¹⁹⁾

반면, 거동 기반 모델은 등선회율-등속도 모델(Constant turning rate and Velocity model)이나 등선회율-등가속도 모델(Constant turning rate and Acceleration model)²⁰⁾ 같이 차량의 Yaw 정보를 이용함으로써 선회 상황에서 물리 기반 모델의 경로 예측방법이 가지는 한계를 보완할 수 있다. 그럼에도 이들 방법은 환경 센서만으로는 주변 차량의 정확한 Yaw angle, Yaw rate의 산출이 어려운 문제가 있어 그동안 자차량의 경로 예측 및 위치 추정에만 주로 사용되어 왔다. 하지만 V2V 통신을 이용하면 주변 차량의 Yaw 관련 정보를 수신받을 수 있어 이러한 한계를 극복하고 주변 차량의 경로를 예측할 수 있다.

이번 절에서는 등선회율-가속도 모델을 이용해 대열에 합류하고자 하는 차량의 경로 및 합류 지점을 예측하고, 합류 지점을 기준으로 Time gap 제어를 위한 거리를 확보하기 위한 요구 감속도 값을 계산하는 본 연구의 Merging mode 알고리즘을 소개한다. Fig. 5는 Merging mode 알고리즘의 개념도를 보여준다.

Fig. 5

Schematics of merging mode algorithm

좌/우측 차선의 측전방에 위치하고 있는 차량이 자차선의 대열에 합류하고자 V2V 통신을 통해 Turn signal을 보내면, 합류 차량의 좌푯값, 속도, 가속도, Yaw angle, Yaw rate 값을 수신하고, 식 (27)∼(32)에 정의된 등선회율-등가속도(CTRA) 모델을 통해 합류 차량의 주행 경로를 예측한다.

위 식에서 $$ \tilde{\psi }$$와 $$ \tilde{\gamma }$$는 류 차량의 Yaw angle과 Yaw rate의 값을 나타내며, $$ \tilde{\upsilon }$$와 $$ \tilde{a}$$는 합류 차량의 속도, 가속도 값을 나타낸다. CTRA 모델을 이용해 합류 차량의 거동을 매 샘플 Δt초 마다 예측하며, Fig. 6은 시간에 따른 자차량의 위치와 합류 차량의 예측된 위치를 보여준다.

Fig. 6

Position prediction by CTRA model

이렇게 예측한 경로를 바탕으로 합류 차량이 내 차선에 진입하는 순간의 좌표를 합류 지점으로 선정하고, 이때의 좌푯값을 기준으로 Time gap 제어를 위한 거리를 확보할 수 있는 요구 감속도 값을 생성한다. 요구 감속도를 구하기 위한 식은 다음과 같다.

위 식에서 t_m은 차선 변경 시간을 나타낸다. 기존의 연구에 의하면 차선 변경에 사용하는 평균 시간은 5∼6초라고 한다.²¹⁾ 자율협력주행이 되더라도 HMI 관점에서 탑승자가 불안감을 덜 느낄 수 있는 익숙한 시간에 맞춰 차선 변경이 이루어질 것으로 가정하고 본 연구에서는 t_m을 5초로 설정하였다. D는 CTRA 모델로부터 예측된 합류 지점으로부터 CACC time gap 제어를 만족하는 거리이며 υ₀는 자차량의 초기 속도, υ_c는 합류 차량의 속도, υ_ego는 자차량의 속도를 의미한다.

4.3 Leaving Mode 알고리즘

환경 센서를 활용한 ACC의 경우, 선행 차량을 추종하며 주행하던 중 선행 차량이 차선 변경으로 이탈하게 되면, 그 앞에 다른 자동차가 가까이 있더라도 이를 제대로 인지하지 못하고 설정된 속도로 주행하는 등속 모드로 전환되었다가 설정거리에 도달했을 때 다시 차간 거리 유지 모드로 전환하게 된다. 이때, 등속 모드에 설정된 속도와 선행 차량의 속도 차이가 큰 경우, 급격한 가/감속이 발생하게 되어 차량의 종방향 안정성과 승차감에 악영향을 주게 된다. 특히 자율협력주행을 이용한 대열주행의 경우, 이러한 현상이 대열의 어느 한 차량에 발생하면 대열 전체의 종방향 안정성인 String stability에 심각한 영향을 줄 수 있다. 하지만 이러한 문제점에도 불구하고 관련된 연구는 부족한 상황이다.

이번 절에서는 전방 차량이 대열에서 이탈하는 경우 이탈하는 차량 앞에 있는 새로운 선행 차량의 정보를 수신해 이탈로 발생한 간격을 좁히는 목표지점을 설정하고, Minimum jerk trajectory planning 기법을 통해 목표지점까지의 주행 거리를 가속구간 감속구간으로 나누어 급격한 가/감속 없이 부드러운 주행을 지원하는 Leaving mode 알고리즘을 소개한다. Fig. 7은 Leaving mode 알고리즘의 개념도를 보여준다.

Fig. 7

Schematics of leaving mode algorithm

본 연구에서는, 자율협력주행을 이용한 대열주행 중 자차선의 선행 차량으로부터 이탈 신호를 수신하게 되면 V2V 통신을 통해 선행 차량 앞의 설정된 영역 이내에 새롭게 추종할 수 있는 차량이 있는지 탐색하고, 조건에 부합하는 차량이 존재하는 경우 새로운 선행 차량으로 선정한다. 그 후, 새로운 선행 차량의 좌표와 속도 값을 바탕으로 Time gap 제어를 위한 목표 지점을 산출하고, 이에 도달하기 위한 구간별 속도 값을 Minimum jerk trajectory planning 기법을 이용해 계산한다.

Minimum jerk trajectory planning과 관련된 기존 연구에서, 5차 이상의 다항식을 사용하였을 때 가장 효율적인 성능을 준다는 것을 보인 바 있다.^22,23) 이에 따라서 본 논문에서는 5차 다항식을 이용하여 최적의 속도, 가속도를 계산하였다. 초기 조건과 시작 및 끝 지점에서의 속도, 가속도 값이 0인 점을 이용하여 식 (35)∼(37)의 식을 유도하였다.

위 식에서 x_f, x_i는 각각 목표 지점, 시작 지점의 좌표이다. 목표지점은 새로운 선행 차량인 Vehicle 2와의 CACC time gap 제어를 만족하는 위치로, Leaving mode 종료 시 CACC mode로 전환되어 거리 제어가 유지될 수 있도록 하였다. t_m은 이동 시간, t_t는 시작 위치에서 목표 위치까지 도달하는데 걸리는 시간을 의미한다. 이때, t_t는 (목표 지점까지의 거리)/평균 속도로 구할 수 있다. 본 논문에서는 목표지점에 도달하기 위한 평균 속도를 선행 차량 속도의 105 %로 설정하고 진행하였다.

5.1 CACC Mode 알고리즘 검증

이번 절에서는 CACC 모드 알고리즘의 종방향 거리 제어 성능을 검증하고, 선행 차량의 급격한 변화에 대한 반응성을 ACC와 비교 평가하고자 한다.

비교에 사용된 ACC 알고리즘²⁴⁾은 실제 ACC와 같이 레이더로 측정된 차간 거리와 속도 오차를 이용해 선행 차량을 추종한다. CACC 알고리즘의 주행 성능 평가에 대한 표준이 따로 없는 관계로, FSRA(Full Speed Range ACC) 표준인 ISO 22179_2009의 Automatic stop capability test를 참고하여 검증을 진행하였다.⁹⁾

Fig. 8과 같이 자차선에서 대열을 유지하며 주행하던 중 Vehicle 2 차량이 0.25 g의 감속도로 급정차할 때, 자차량과 선행차량 사이의 거리가 ISO요구사항(2 m 이상)을 만족하는지 평가를 진행하였으며, Fig. 9는 결과 그래프를 보여준다.

Fig. 8

Test scenario for CACC Mode

Fig. 9

Simulation results of CACC Mode algorithm (a) low velocity (b) high velocity

Fig. 9의 상대거리 그래프를 보면, CACC, ACC 모두 ISO 요구사항인 2 m를 만족하고 있어 성능을 충족하고 있다는 점을 확인할 수 있다.

CACC의 경우, ACC와 비교해 빠른 속도로 목표 상대 거리를 추종하는 것을 확인할 수 있으며, 상대 차량이 감속을 시작한 시점인 30초 부근에서 ACC보다 더 큰 상대 거리를 가지는 것을 볼 수 있다. 이는 CACC가 V2V 통신을 통해 Convoy gap error 값과 선행 차량의 가속도 값을 수신하여 제어에 반영하기 때문에 ACC에 비해 선행 차량의 급격한 변화에 빠르게 반응하여 감속을 진행할 수 있었기 때문이다.

Fig. 9의 가속도 그래프를 보면, ACC는 31초 부근에서 저속의 경우 28 %, 고속의 경우 39 %로 큰 오버슈트가 발생하는 것을 볼 수 있다. 하지만 CACC는 저속 상황에서 오버슈트가 발생하지 않았으며, 고속의 경우에도 4 %의 수준의 작은 오버슈트가 발생하는 것을 확인할 수 있다. 선행 차량이 급정지하는 상황에서 고속 상황이 저속에 비해 더 많은 감속을 해야 하기 때문에 가속도의 오버슈트가 더 크게 발생하는 것으로 보인다. 식 (18)에서 보는 것과 같이 5가지 오차항을 모두 고려하면서 가속도 제어를 하므로, ACC에 비해 작은 가속도 변화량으로도 목표 거리를 유지하는 것을 확인할 수 있다.

이를 통해, 본 연구의 V2V 통신을 이용한 CACC mode 알고리즘이 기존 환경센서 기반의 ACC에 비해, 선행 차량을 보다 안전하고 부드럽게 추종하는 성능을 가진다는 것을 확인할 수 있었다.

5.2 Merging Mode 알고리즘 검증

본 연구의 Merging mode 알고리즘을 평가하기 위해, 대열주행 중 Fig. 10과 같이 오른쪽 차선 0.5 m 전방에 있는 차량이 자차량의 차선으로 5초 동안 차선변경을 통해 합류하는 상황에 대한 시뮬레이션을 수행하였다.

Fig. 10

Test scenario for merging mode

앞 절에서 ACC보다 대열주행 성능이 뛰어난 것이 확인된 CACC와 비교 평가를 진행하였고, 그 결과는 Fig. 11과 같다.

Fig. 11

Simulation results of merging mode algorithm (a) low velocity (b) high velocity

Fig. 11의 결과를 보면 CACC의 경우, 차선에 합류하는 차량의 유무 및 합류 지점을 미리 예측하지 못하기 때문에 가속도 값이 불안정하고 큰 폭으로 변하는 것을 볼 수 있다. 특히, 저속 상황에서 약 –2 m/s²로 감속한 것과 비교해 고속 상황에서는 –9 m/s² 정도로 감속도가 크게 증가한다. 이는 고속 상황에서는 저속에 비해 Time gap 제어를 위한 요구 상대 거리가 늘어나기 때문이다. 또한, 과도하게 감속을 진행했기 때문에 25초 부근에서 선행 차량과의 추종 속도를 맞추기 위해 다시 급격하게 가속을 진행하고 있음을 확인할 수 있다.

하지만 본 연구의 Merging mode 알고리즘을 적용했을 때에는 합류 신호를 기점으로 합류 차량의 거동을 예측하여 선제적인 감속과 더불어 안정적인 가속도 및 속도 변화를 통해 합류 차량과의 충분한 거리를 미리 확보하며 안정적으로 주행하는 것을 확인할 수 있다. 이러한 경향은 속보다 저속에서 두드러지게 나타나는데, 저속 상황에서는 CACC 대비 약 20 % 크기의 감속도 값으로 성능을 충족시킬 수 있었으나 고속 상황에서는 약 25 % 크기의 감속도 값으로 목표 성능을 충족시킬 수 있었다. 이는 미리 합류 지점을 예측했다고 하더라도 고속 상황에서의 거리 제어를 하기 위해서는 더 큰 감속도가 필요하기 때문이다.

5.3 Leaving Mode 알고리즘 검증

본 연구의 Leaving Mode 알고리즘을 평가하기 위해, 대열주행 중 Fig. 12와 같이 전방 차량이 오른쪽 옆 차선으로 대열을 이탈하게 되었을 때 새로운 전방의 차량과 다시 대열을 형성하는 상황에 대한 시뮬레이션을 수행하였다.

Fig. 12

Test scenario for leaving mode

앞 절과 마찬가지로 CACC와 비교 평가를 진행하였으며 그 결과는 Fig. 13과 같다. 그림에서 상대거리는 자차량과 동일한 차선에 위치한 전방 차량과의 거리를 나타낸다.

Fig. 13

Simulation results of leaving mode algorithm (a) low velocity (b) high velocity

Fig. 13의 가속도 그래프를 보면 CACC는 선행 차량이 이탈 시, 가속도의 크기가 저속의 경우 8 m/s²에서 –6.5 m/s², 고속의 경우 4 m/s²에서 –2.5 m/s²까지 급격하게 변하는 것을 볼 수 있다. 이는 새롭게 선행 차량으로 설정되는 Vehicle 2와의 거리가 설정된 Time gap 거리보다 멀리 있어 대열을 형성하지 못하고 설정된 속도에 도달하기 위해 가속을 했다가 이후, Vehicle 2를 발견하고 Time gap 제어를 하기 위해 다시 감속을 하면서 급격한 가속도 변화가 발생하기 때문이다. 또한, 저속 상황의 경우 고속 상황과 비교하여 더 큰 가속도 변화가 발생하는데 이는 저속 상황일 때 Time gap 거리가 더 짧아 Vehicle 2와의 Time gap 제어를 위한 거리에 더 빨리 도달하여 거리 제어를 하기 위해 가/감속하기 때문인 것으로 보인다.

Leaving Mode 알고리즘을 적용한 경우에는 가속도 변화가 저속 상황의 경우 0.2 m/s²에서 -0.1 m/s², 고속의 경우 0.7 m/s²에서 -0.8 m/s² 정도로 CACC에 비해 최대 40배의 차이를 나타내는 것을 볼 수 있다. 이처럼 Leaving mode 통해 가속도의 변화가 줄여 안정적인 주행이 가능함을 확인할 수 있다. 특히, 이탈 신호를 수신하는 것을 통해 Vehicle 1이 차선을 벗어난 시점부터 가속을 하는 CACC와는 다르게 미리 가속을 진행해 상대거리가 줄어드는 모습을 볼 수 있다. 이는 V2V 통신을 통해 Vehicle 1의 이탈 여부와 Vehicle 2의 존재를 미리 인지하고 목표지점 및 최적 속도를 설정해서 주행하기 때문이다.