지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 허건수
- 발행연도
- 2022
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (3)
2022
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
차량 주행 개선을 위한 주행 데이터와 도로/교통 인프라 정보 등을 활용한 차량 속도 최적화 기술은 에너지 효율성과 동시에 주행 안정성까지 향상 시킬 수 있어 모빌리티 산업의 새로운 패러다임으로 제안되고 있다. 특히, 대중교통, 운송 차량 같이 동일한 경로를 반복적으로 주행하는 목적 기반 차량에서 그 효과는 더욱 두드러지게 나타나며, 주행 구간에서 소모되는 에너지 총량을 보다 정확하게 예측할 수 있어 에너지 관리 측면에서도 이점을 갖는다.
본 연구에서는 차량 속도 최적화를 위해 전역 최적화 방법인 동적계획법을 활용한다. 일반적으로 동적계획법을 활용해 최적화 문제를 해결하려면 에너지 소모량을 정확하게 계산하기 위한 종방향 차량 동역학 모델이 필요하다. 그러나 종방향 차량 동역학 모델은 구름 저항, 공기 저항, 구배 저항의 비선형성으로 인해 실제 차량의 동적 특성을 정확히 반영하기 어렵다. 따라서 본 연구에서는 실제 차량 주행 데이터로부터 학습된 기계 학습 모델을 활용한 차량 속도 최적화 방법을 제안한다.
제안된 방법은 차량 시뮬레이션 소프트웨어인 CarMaker를 활용해 실차 주행과 흡사한 주행 환경이 구축된 시뮬레이션을 통해 검증된다. 동적계획법을 통한 최적 속도 프로파일 도출 과정에서 도로 정보에 의한 여러 제한조건들을 추가하여 차량의 주행 안정성과 승차감을 확보하였다. 도출된 최적 속도 프로파일은 일반적인 정속주행(Cruise Control) 대조군과 비교하여 본 연구의 효용성을 확인하였다.
본 연구에서는 차량 속도 최적화를 위해 전역 최적화 방법인 동적계획법을 활용한다. 일반적으로 동적계획법을 활용해 최적화 문제를 해결하려면 에너지 소모량을 정확하게 계산하기 위한 종방향 차량 동역학 모델이 필요하다. 그러나 종방향 차량 동역학 모델은 구름 저항, 공기 저항, 구배 저항의 비선형성으로 인해 실제 차량의 동적 특성을 정확히 반영하기 어렵다. 따라서 본 연구에서는 실제 차량 주행 데이터로부터 학습된 기계 학습 모델을 활용한 차량 속도 최적화 방법을 제안한다.
제안된 방법은 차량 시뮬레이션 소프트웨어인 CarMaker를 활용해 실차 주행과 흡사한 주행 환경이 구축된 시뮬레이션을 통해 검증된다. 동적계획법을 통한 최적 속도 프로파일 도출 과정에서 도로 정보에 의한 여러 제한조건들을 추가하여 차량의 주행 안정성과 승차감을 확보하였다. 도출된 최적 속도 프로파일은 일반적인 정속주행(Cruise Control) 대조군과 비교하여 본 연구의 효용성을 확인하였다.
목차
제 1장 서론 11. 1 연구 배경 11. 2 연구 동향 21. 3 연구 내용 3제 2장 기계 학습 네트워크 72. 1 데이터 세트 제작 72. 2 기계 학습 네트워크 112. 2. 1 CNN(Convolutional Neural Network) 142. 2. 2 LSTM(Long Short Term Memory) 172. 3 네트워크 성능 비교 결과 192. 4 기계 학습 사용 타당성 검증 21제 3장 최적 속도 프로파일 도출 233. 1 동적계획법 233. 2 상태 이산화 그래프 253. 3 목적함수 263. 4 제한조건 29제 4장 최적 주행 시뮬레이션 304. 1 시뮬레이션 환경 구축 304. 2 최적 주행 시뮬레이션 결과 33제 5장 결론 38REFERENCE 40ABSTRACT 43
최근 본 자료
댓글(0)
0