[논문 리뷰] Indirect Shared Control of Highly Automated Vehicles for Cooperative Driving between Driver and Automation

Renjie Li, Yanan Li외 3명|arXiv (Cornell University)|2017. 04. 04.

Autonomous Vehicle Technology and Safety참고 문헌 30인용 수 12

한 줄 요약

이 논문은 예측 주행자 모델링과 실시간 의도 탐지 기반으로 동적으로 운전자와 자동화 권한을 균형 잡는 간접적 공유 제어 프레임워크를 제안한다. 제어 전략에 대한 운전자의 적응을 모델 예측 제어(MPC)를 통해 모델링하고, 슬라이딩 윈도우 검출기를 활용해 권한 가중치를 전환함으로써, 일관된 상황에서 운전자의 노력 감소와 함께 경로 추종 정확도 햖스 및 장애물 회피 성능 향상을 달성한다.

ABSTRACT

It is widely acknowledged that drivers should remain in the control loop of automated vehicles before they completely meet real-world operational conditions. This paper introduces an `indirect shared control' scheme for steer-by-wire vehicles, which allows the vehicle control authority to be continuously shared between the driver and automation through unphysical cooperation. This paper first balances the control objectives of the driver and automation in a weighted summation, and then models the driver's adaptive control behavior using a predictive control approach. The driver adaptation modeling enables off-line evaluations of indirect shared control systems and thus facilitates the design of the assistant controller. Unlike any conventional driver model for manual driving, this model assumes that the driver can learn and incorporate the controller strategy into his internal model for more accurate path following. To satisfy the driving demands in different scenarios, a sliding-window detector is designed to continuously monitor the driver intention and automatically switch the authority weights between the driver and automation. The simulation results illustrate the advantages of considering the driver adaptation in path-following and obstacle-avoidance tasks, and show the effectiveness of indirect shared control for cooperative driving.

연구 동기 및 목표

• 공유 제어 시스템에서 고정된 가중치로 인한 성능 저하 문제를 해결하기 위해, 갈등이 발생하는 주행 상황에서 성능이 떨어지는 정적 권한 할당의 한계를 해결한다.
• 간접적 공유 제어에서 운전자의 적응 행동을 모델링하여, 운전자가 자동화 제어 전략을 학습하고 내재화함으로써 경로 추적 성능을 향상시킨다.
• 실시간으로 작동하는 슬라이딩 윈도우 기반 검출기를 개발하여 운전자의 의도 변화를 탐지하고 동적 권한 재가중치 조정을 유도한다.
• 다양한 자동화 및 운전자 권한 조건 하에서 복잡한 주행 과제—경로 추종 및 장애물 회피—에서 시스템 성능을 평가한다.

제안 방법

• 운전자 및 자동화 입력의 가중치 합을 제어 권한으로 정의하며, 슬라이딩 윈도우 검출기를 통해 시간에 따라 변화하는 가중치를 결정한다.
• 모델 예측 제어(MPC) 기반의 운전자 모델은 자동화의 변환 전략을 운전자 내부 모델에 통합함으로써 조향 행동을 예측한다.
• 슬라이딩 윈도우 검출기는 H=50개 샘플의 윈도우 길이 동안 운전자 입력 변화를 모니터링하여 의도 변화를 탐지하고, 허용 오차 δ*=0.1 rad를 초과할 경우 권한 재가중치 조정을 유도한다.
• 권한 가중치는 동적으로 조정되며, 일관된 의도의 경우 λD+=0.7, λA+=0.7; 일관되지 않은 의도의 경우 λD−=0.3, λA−=0.3로 설정된다.
• 예측 제어 프레임워크를 사용하여 운전자가 모터 학습을 통해 제어기의 행동을 학습한다고 가정함으로써, 정확한 오프라인 시뮬레이션 및 제어기 설계가 가능해진다.
• 이 방법은 운전자의 적응을 모델링함으로써 기존 수동 주행 모델에서 부재한 간접적 공유 제어 시스템의 오프라인 평가를 가능하게 한다.

실험 결과

연구 질문

• RQ1 간접적 공유 제어에서 자동화에 대한 운전자의 적응을 어떻게 모델링할 수 있으며, 이를 통해 정확한 시스템 평가가 가능하게 하는가?
• RQ2 정적 대비 동적 권한 할당이 경로 추종 및 장애물 회피 성능에 미치는 영향은 무엇인가?
• RQ3 실시간 슬라이딩 윈도우 검출기가 운전자의 의도 변화를 신뢰성 있게 탐지하고 적절한 시점에 권한 재가중치 조정을 유도할 수 있는가?
• RQ4 기존의 적응을 고려하지 않는 운전자 모델에 비해 제안된 모델은 성능을 어떻게 향상시키는가?
• RQ5 다양한 수준의 자동화 권한 하에서 운전자의 작업 부담과 시스템 성능 간의 상충 관계는 어떠한가?

주요 결과

• 제어기 전략을 내부 모델에 통합한 제안된 운전자 모델은 기존 모델 대비 경로 추종 과제에서 운전자의 제어 노력 25% 감소를 이끌어냈다.
• 장애물 회피 과제에서는 자동화 권한이 높을수록 더 부드러운 장애물 회피가 가능했으며, 제어 노력이 증가함으로써 갈등 목표에 대한 효과적인 적응이 이루어졌음을 나타냈다.
• 자동 가중치 전환 방법은 경로 추종과 장애물 회피 간의 성능 상충 문제를 성공적으로 해결했으며, 복잡한 상황에서 정적 가중치 할당보다 뛰어난 성능을 보였다.
• 슬라이딩 윈도우 검출기는 의도 변화를 1초의 지연(윈도우 길이와 동일)로 탐지하고, 이 시간 내에 재가중치 조정을 유도했다.
• 가중치 전환 직후 운전자 입력에 불연속성이 관찰되어, 향후 연구에서 더 부드러운 전환 메커니즘이 필요함을 시사했다.
• 실제 QD=diag(0.036,0.02)와 비교해 QD=diag(0.028,0.015)로 추정된 운전자 가중치 행렬에 22%의 오차가 존재하더라도 시스템은 개선된 경로 추적 성능을 유지함으로써 모델 불일치에 대한 강건성을 입증했다.