.webp)
.webp)
시뮬레이션 차량이 실제 주행 행동을 재현할 수 있다는 신뢰는 가상 개발의 핵심입니다. ADAS 및 자율 주행 시스템을 설계하는 엔지니어에게 이 신뢰는 기반 차량 모델과 이를 구동하는 제어기의 정밀도에 달려 있습니다. 시뮬레이션 차량이 실제 차량과 동일하게 반응하지 않으면 제어 논리부터 인식까지 모든 후속 테스트가 잘못된 가정에 기반할 위험이 있습니다.
이러한 과제를 해결하기 위해 Ford Otosan은 Applied Intuition과 협력하여 고충실도 TruckSim 차량 동역학 모델을 어플라이드 개발 플랫폼(ADP) 및 Ford Otosan의 독자적 저수준 컨트롤러와 통합했습니다. 이 협업은 정확한 차량 모델링과 실제 컨트롤러 통합이 가상 검증의 신뢰할 수 있는 기반을 어떻게 제공할 수 있는지 보여줍니다.
CarSim, TruckSim, BikeSim, SuspensionSim으로 구성된 통합 제품군인 VehicleSim은 물리 기반 모델링의 업계 표준으로 널리 인정받고 있습니다. 각 제품은 Applied Intuition의 시뮬레이션 생태계에 직접 통합되어 다양한 차량 플랫폼에서 고충실도 역학을 지원합니다. Ford Otosan은 TruckSim을 활용해 상세한 물리 기반 트럭 모델을 구축하여 가상 테스트 및 컨트롤러 검증의 기반을 마련했습니다.
이러한 툴들은 차량 역학 전문가가 아닌 ADAS 엔지니어가 차량 모델의 성능을 개선할 수 있게 합니다. 단순한 운동학적 자전거 모델에서 TruckSim 모델로 전환함으로써 결과가 극적으로 향상됩니다. ADAS 엔지니어가 고충실도 모델에 더 많은 가정을 포함시킬 수 있더라도, 충실도 향상은 그 노력을 충분히 보상합니다.
목표는 실제 트럭과 구별할 수 없을 정도로 동일하게 동작하는 가상 트럭을 구축하는 것입니다. 이러한 수준의 상관관계를 통해 Ford Otosan은 주로 시뮬레이션 환경에서 ADAS와 자율주행 시스템을 개발, 평가 및 검증할 수 있어 실제 주행 테스트와 관련된 비용, 시간 및 위험을 줄일 수 있습니다.
Ford Otosan 의 목표
Ford Otosan이 고충실도 시뮬레이션에 집중하는 것은 안전하고 지능적인 기계의 세계적 채택을 가속화하려는 Applied Intuition의 사명과 부합합니다. 양사 팀은 신뢰할 수 있는 물리 기반 차량 모델을 활용해 엔지니어가 소프트웨어를 개발, 테스트, 검증할 수 있는 워크플로를 구축함으로써 비용과 시간이 많이 드는 물리적 테스트의 부담을 줄였습니다.
협업은 차량 플랜트 모델이라고도 불리는 기본 차량 모델의 매개변수화 작업으로 시작되었으며, 이후 시뮬레이션을 위한 Ford Otosan의 저수준 제어기 통합이 이어졌습니다. 이 제어기들은 조향, 변속기, 제동과 같은 하위 시스템에 대한 제어 동작을 관리하고 실행합니다. 이를 가상 차량에 통합함으로써 실제 성능을 매우 유사하게 재현할 수 있게 되었습니다.
Ford Otosan의 ADAS SIL/HIL 엔지니어인 Ahmet Faruk Keleş는 독자적인 제어 로직을 모델에 통합하는 작업을 주도했습니다. 그의 목표는 실제 차량과 시뮬레이션된 차량 간의 높은 상관관계를 달성하는 것이었습니다.
Keleş는 “실제 트럭의 동작과 시뮬레이션 모델 간의 밀접한 일치를 달성함으로써 모델과 워크플로우의 정확성에 대한 확신을 얻을 수 있습니다” 라고 말했습니다. “이러한 검증은 추가 시뮬레이션에서 차량 반응을 예측하는 데 매우 중요합니다.”
그는 덧붙여 말했습니다. "상관 차량 모델을 생성하는 주요 목표는 ADAS 개발 시 차량 테스트 의존도를 줄이고 SIL, MIL, HIL 워크플로로 대체하는 것입니다. 상관 모델을 통해 시뮬레이션에서 관찰되는 결과가 실제 도로에서 발생하는 현상과 일치한다고 신뢰할 수 있습니다. 이는 특히 매개변수 튜닝 과정에서 물리적 테스트에 소요되는 노력과 자원을 줄이고, 새로운 기능 개념을 탐구할 수 있는 안전한 환경을 조성합니다."
모델링 정확도, 제어기 충실도, 반복적 상관관계에 기반한 이 목표는 보다 효율적인 가상 개발 프로세스의 토대를 마련합니다. 이러한 기초가 확립된 후, 다음 단계는 Ford Otosan이 차량 모델을 상관관계화하는 데 사용한 방법론을 검토하는 것입니다.
차량 모델 방법론
차량 모델 상관관계를 구현하기 위해 Ford Otosan은 모델 정확도를 체계적으로 검증한 후 제어기 통합을 수행하는 방법론을 채택했습니다. 이를 통해 모든 시뮬레이션 단계가 실제 주행 행동을 반영하도록 보장합니다.
VehicleSim 모델은 모듈식으로 설계되었습니다. Applied Intuition은 파워트레인, 서스펜션, 타이어 등 차량 하위 시스템용 템플릿과 함께 매우 견고한 물리 모델을 제공합니다. 고객은 이러한 템플릿으로 신속하게 시작하거나 자체 외부 하위 시스템을 도입할 수 있습니다.
대부분의 차량 하위 시스템에는 트랙션 컨트롤 시스템이나 파워트레인용 변속기 시프트 컨트롤러와 같은 제어 모듈이 포함됩니다. 이러한 제어 모듈에는 고객의 지적 재산권이 포함된다는 점을 인지하여, 고객이 자신의 제어 전략을 VehicleSim에 통합할 수 있도록 완전한 유연성을 제공합니다. 차량에서 실행되는 것과 동일한 제어기 논리를 시뮬레이션에서 실행하면 가상 차량 모델 구축 시 추가적인 신뢰도를 확보할 수 있습니다. 플랜트 모델과 제어 시스템은 차량의 최상의 가상 표현을 제공하기 위해 함께 작동합니다.
차량 모델 검증 프로세스는 세 단계로 접근합니다: 개방 루프 TruckSim 모델 검증, TruckSim 모델과의 저수준 컨트롤러 통합, 마지막으로 AV/ADAS에 사용될 수 있는 고수준 컨트롤러 추가입니다. 본 프로젝트는 첫 두 단계에만 집중했습니다. 1단계와 2단계로 구성된 시스템 표현을 더 잘 이해하려면 그림 1을 참조하세요.
Applied Intuition과 Ford Otosan의 접근 방식
TruckSim 모델의 모듈식 구조 덕분에 Ford Otosan의 통합 시스템은 내부 엔진 및 변속기 제어기를 우회하여, 수집된 차량 로그 또는 자체 스택에서 ADAS가 원하는 제어 명령과 변속 신호를 직접 전송해 차륜을 구동합니다. TruckSim의 구성 가능한 I/O가 이를 가능하게 합니다. 그림 3은 1단계와 2단계 상태 중의 저수준 제어기와 TruckSim 모듈 간의 신호 교환을 설명합니다.
TruckSim은 선택 가능한 차량 모델로 ADP에 원활하게 통합됩니다. ADP는 적절한 가정을 바탕으로 모델 및 통합 제어 장치를 시뮬레이션하기 위한 전체 시나리오 생성을 지원합니다. 이 검증 절차는 물리적 트럭의 테스트 로그와 개방 루프 시뮬레이션에서 실행되는 시뮬레이션 트럭의 로그를 비교했습니다. 테스트 로그 제어 신호는 시뮬레이션에 직접 입력되며, 로그가 시나리오를 정의하므로 지도상에서 자차(ego vehicle)의 초기 위치만 정의하면 됩니다.
Ford Otosan 테스트 구역의 HD 지도 및 지형 파일도 ADP로 가져왔습니다. 주행 로그와 시뮬레이션 모두 동일한 지도를 사용함으로써 실제 환경과 시뮬레이션 환경 간의 일관성을 보장했으며, 이는 차량 모델 검증에 매우 중요합니다.
1단계와 2단계를 자세히 살펴보겠습니다.
1단계: 개방 루프 TruckSim 모델 검증
첫 번째 단계는 TruckSim 제품을 활용하여 차량 플랜트 모델의 매개변수화를 수행하는 데 중점을 둡니다. TruckSim의 시스템 수준 수학적 모델은 구성 부품의 재료나 복잡한 서스펜션 설계에 대한 세부 지식 없이도 차량의 물리적으로 측정된 응답을 시뮬레이션합니다. 이를 위해 서스펜션 운동학 및 컴플라이언스, 타이어 특성, 파워트레인, 브레이크 및 스티어링 데이터, 환경 조건에 대한 데이터가 필요합니다. 이 접근 방식은 제한된 참조 데이터로도 새로운 설계 및 제어 전략 평가에 충분히 정확한 모델을 보장합니다.
모델 매개변수화 후, 트럭 시뮬레이션 모델의 순수 동적 응답을 다양한 종방향 및 횡방향 조작 범위에서 평가합니다. 이후 수집된 주행 데이터에서 스로틀, 브레이크, 조향에 대한 개방 루프 제어를 분리하여 플랜트 모델에 적용함으로써 차량 응답이 예상대로 일치하는지 모델을 검증합니다. 그림 4는 이 과정을 설명합니다.
Ahmet의 1단계 결과는 로그 데이터와 TruckSim 모델을 비교합니다. 로그의 스로틀 신호는 TruckSim 모델에 대한 개방 루프 입력으로 사용됩니다. 그림 5에서 R2 오차는 0.9741입니다.
트럭 시뮬레이션 모델은 1단계 완료 후 수정되지 않은 상태로 유지되어야 합니다. 다음 단계를 저수준 제어기와 루프 내에서 상관시킬 때, 이는 차량 모델의 제어에서 발생하는 시뮬레이션과 실제 간격의 과잉 보정 위험을 최소화합니다. 이 차량은 대표성을 가지며, 이제 두 번째 상관 단계로 진입하면서 제어상의 결함을 드러낼 것입니다.
2단계: 저수준 컨트롤러 + TruckSim 모델을 통한 검증
두 번째 단계는 저수준 제어 논리를 매개변수화된 차량 모델과 통합하는 데 중점을 둡니다.
- 차량 모델 내 기어 변속을 제어하기 위한 변속기 제어 논리 통합
- 차량 모델에 원하는 제동 압력을 전달하는 브레이크 컨트롤러 통합
Ford Otosan은 종방향 및 횡방향 컨트롤러를 위한 저수준 로직을 통합했습니다. 종방향 제어의 경우 브레이크 및 변속기 컨트롤러를 통합했으며, 횡방향 제어의 경우 스티어링 컨트롤러를 구현했습니다.
이 단계에서 상관관계를 검증하기 위해 통합된 저수준 제어기에 개루프 데이터를 입력했습니다. 이후 저수준 제어기의 출력을 차량 모델에 직접 입력하고, 클로즈 루프 응답 없이 완전히 통합된 동작을 독립적으로 평가했습니다. 이상적으로는 제어기가 실제 시스템과 정확히 동일한 인터페이스를 가질 경우 추가적인 상관관계 작업이 필요하지 않습니다. 그러나 어떤 형태의 불일치라도 존재할 경우, 통합 과정은 저수준 제어기 보정을 위해 제어 팀의 지원이 필요합니다.
Ahmet의 2단계 결과는 로그 데이터를 포드 오토산 맞춤형 컨트롤러가 적용된 TruckSim 모델과 비교합니다. 그림 5에서 1단계의 R² 오차는 0.9741인 반면, 2단계에서 Ford Otosan의 통합 맞춤형 컨트롤러를 사용한 결과는 0.9977로 개선되었습니다.
Table 1 captures the results with different error methods applied against the log data, including L2, R2, and Sprague-Geers methods.
Eliminating unknowns as complexity is added to the vehicle model - this is the key advantage to this approach. Since the vehicle model response is already correlated, it can be considered “locked,” and focus can be spent on ensuring the low-level controllers function as expected in the simulation environment. For example, the gain on a yaw controller might be adjusted to compensate for the gap between simulation and real world.
3단계: 고수준 제어 (ADAS/AV 알고리즘) 검증
차량 모델과 저수준 제어기 검증에 집중하는 동안, ADP는 동일한 고충실도 VehicleSim 모델을 사용하면서 전체 ADAS/자율주행 시스템에 대한 엄격한 테스트를 가능하게 합니다. 이는 ADAS/자율주행 개발을 위한 현실적인 차량 동역학 반응을 보장합니다. 그러나 3단계는 본 블로그 포스트의 범위를 벗어납니다.
결과 및 결론
상관 차량 모델과 통합 제어기의 유효성을 검증하기 위해 Ford Otosan은 종방향 가속 및 감속부터 이중 차선 변경과 같은 횡방향 기동에 이르기까지 일련의 주요 시나리오에 걸쳐 실제 테스트 로그와 시뮬레이션 출력을 비교했습니다. 차량 속도, 가속도, 기어 선택, 요율, 횡가속도 등 각 시나리오와 관련된 지표를 평가함으로써 팀은 물리적 차량과 가상 차량의 동작 간 높은 일치도를 확인했습니다.
차량의 통합 저수준 제어기 간의 상관관계는 완벽하게 구축되었습니다.
Keleş는 “이러한 결과는 우리 ADAS 팀이 시뮬레이션 결과를 신뢰할 수 있는 확신을 줍니다. 이 모델을 통해 시뮬레이션에서 관찰된 현상이 도로 테스트에서도 동일하게 관찰될 것임을 확신할 수 있어, 제어기 튜닝 및 ADAS 개발을 위한 도로 테스트 필요성을 줄일 수 있습니다”라고 결론지었습니다. 현재 TruckSim 모델의 스냅샷은 아흐메트의 ADAS 테스트에 충분합니다. Ford Otosan이 모델을 추가로 최적화하고자 한다면, 각 차량 하위 시스템에 대한 차량 테스트 데이터를 반복적으로 수집할 수 있습니다.
종방향 0 - 60 km/h - 0:
이 시나리오는 차량의 가속 및 감속 성능을 테스트하는 것을 포함했습니다. 7개의 실제 주행 기록 및 시뮬레이션 데이터와 비교함으로써 모델의 종방향 동역학을 검증했습니다. 차량 속도, 가속도 및 기어 선택은 그림 8에서 비교되었습니다.
종방향 속도:
이중 차선 변경:
이 시나리오는 차량의 횡방향 동역학을 테스트했습니다. 차선 변경에 대한 실제 데이터와 시뮬레이션 데이터를 비교함으로써, 모델이 조향 제어 및 하위 시스템을 정확히 시뮬레이션하는 능력을 검증하는 데 도움이 되었습니다. 그림 9에서, 요율에 대한 R2 오차는 0.93이며, 횡가속도에 대해서는 0.83입니다.
로그 데이터에는 롤 각도가 포함되어 있지 않았습니다. 로그 데이터에 존재하는 관련 요율 및 횡가속도 신호를 평가합니다.
요율:
Lateral Acceleration:
ADAS 개발:
상관 모델과 단순한 운동학적 자전거 모델을 비교하면 ADAS 개발에 더 상세한 모델을 사용하는 중요성을 부각시킬 수 있습니다. 상관 TruckSim 모델과 운동학적 모델 간의 차이는 실제 데이터로 뒷받침된 시뮬레이션에 대한 신뢰의 가치를 입증할 수 있습니다.
종방향 0 -> 60kph -> 0 시나리오는 운동학적 자전거 모델과 TruckSim 모델 모두로 실행되었습니다. 이를 실행하기 위해 로그의 가속도 입력값을 스로틀 입력값으로 정규화하여 운동학적 자전거 모델에서 더 큰 차이를 유발했습니다. 그림 10는 운동학적 자전거 모델이 달성할 수 있는 가속 성능의 격차를 강조합니다.
이중 차선 변경 시나리오는 운동학적 자전거 모델과 TruckSim 모델 모두로 실행되었습니다. 그림 11은 운동학적 자전거 모델이 로그 데이터 및 TruckSim 기반 통합 저수준 제어기와 비교하여 달성할 수 없는 요율 성능의 차이를 보여줍니다.
여러 실험을 통해 차량 모델과 제어기는 낮은 L2 및 Sprague-Geers 오차와 높은 R² 유사도로 나타난 종방향 및 횡방향 동역학 모두에서 긴밀한 상관관계를 보여주었습니다. 불일치가 존재하는 경우 팀은 이러한 요인을 인정하고 문서화하여 모델의 강점과 한계에 대한 투명성을 유지했습니다. 결과에서 나타난 가장 큰 차이는 다음 요인들 때문입니다:
- 로그 데이터와 시뮬레이션 간 시작 위치 차이(이로 인해 일부 로그가 약간다른 도로 경사를 따를 수 있음),
- 극한 온도 조건 하의 테스트 일(유효 구름 저항 및 표면 마찰계수 같은 매개변수 변화),
- 차량 등급별 일반 값을 사용한 타이어 및 파워트레인 특성(예: 일부 관성 또는 회전 강성).
이 검증은 ADAS 개발을 위한 신뢰할 수 있는 시뮬레이션 플랫폼을 구축하여, 많은 매개변수 조정 및 시스템 검증 작업에서 비용이 많이 드는 물리적 테스트를 대체합니다. Ford Otosan과 Applied Intuition이 가상 검증 워크플로우를 지속적으로 확장함에 따라, 이 결과는 고충실도 차량 모델과 통합 제어 시스템을 통해 달성 가능한 실제 효율성과 신뢰성을 입증합니다.
다음 스텝은 무엇인가?
자동차 및 트럭 산업이 소프트웨어 시스템의 복잡성 증가로 인한 도전에 직면함에 따라, 정확한 차량 역학은 여전히 개발의 핵심 요소로 남아 있습니다. Ford Otosan과의 이 사례 연구를 통해, Applied Intuition의 툴이 고성능 차량 모델 검증에 어떻게 기여하는지 살펴보았습니다. 자동차 소프트웨어 개발 및 테스트가 점점 더 가상화됨에 따라, 개발자들은 이러한 물리 기반 모델을 신뢰함으로써만 효율성을 높일 수 있습니다.
VehicleSim과 ADP가 전 세계 모빌리티 선도 기업들을 위한 차세대 가상 검증 환경을 어떻게 구현하는지 알아보세요.
