1 |
1
차량에서 센서 정보를 획득하는 센서 정보 획득부; 상기 센서 정보 획득부에서 획득된 상기 센서 정보를 입력 받아 예측 값을 추정하는 딥 앙상블 기반 인공신경망; 및 상기 딥 앙상블 기반 인공 신경망에서 추정된 상기 예측 값을 가상의 센서로부터 획득한 센서 정보로 간주하고, 상기 예측 값을 입력 받아 사이드슬립 앵글(sideslip angle) 값을 추정하는 모델 기반 관측기를 포함하는, 차량 사이드슬립 앵글 추정 장치
|
2 |
2
제1항에 있어서, 획득된 상기 센서 정보를 통해 딥 앙상블 기반 인공신경망의 학습을 진행하는 인공신경망 학습부를 더 포함하는, 차량 사이드슬립 앵글 추정 장치
|
3 |
3
제1항에 있어서, 상기 딥 앙상블 기반 인공신경망은, 상기 센서 정보를 학습된 딥 앙상블 기반 인공신경망에 입력하여 상기 예측 값을 추정하고, 상기 예측 값의 불확실도 값을 추정하고, 상기 모델 기반 관측기는, 상기 예측 값 및 상기 불확실도 값을 가상의 센서로부터 획득한 센서 정보로 간주하고, 상기 예측 값 및 상기 불확실도 값과 상기 센서 정보 획득부에서 획득된 상기 센서 정보를 모델 기반 관측기에 입력하여 사이드슬립 앵글 값을 추정하는 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 장치
|
4 |
4
제3항에 있어서, 상기 모델 기반 관측기는, 상기 예측 값의 상기 불확실도 값에 따라 상기 예측 값을 얼마나 신뢰하고 사용할지를 자동적으로 결정하는 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 장치
|
5 |
5
제1항에 있어서, 상기 모델 기반 관측기는, 차량 모델 기반의 칼만필터(Kalman Filter) 방식의 상기 모델 기반 관측기를 사용하여 상기 사이드슬립 앵글을 추정하는 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 장치
|
6 |
6
제5항에 있어서, 상기 모델 기반 관측기는, 확장형 칼만필터(Extended Kalman Filter, EKF) 또는 분산점 칼만필터(Unscented Kalman Filter, UKF) 방식의 모델 기반 관측기인 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 장치
|
7 |
7
제1항에 있어서, 최종적으로 추정된 상기 사이드슬립 앵글 값을 차량 능동 안전 시스템에서 이용하는 능동 안전 시스템을 더 포함하는, 차량 사이드슬립 앵글 추정 장치
|
8 |
8
차량에서 센서 정보를 획득하는 단계; 획득된 상기 센서 정보를 학습된 딥 앙상블 기반 인공신경망에 입력하여 예측 값을 추정하는 단계; 및 상기 예측 값을 가상의 센서로부터 획득한 센서 정보로 간주하고, 상기 예측 값을 모델 기반 관측기에 입력하여 사이드슬립 앵글(sideslip angle) 값을 추정하는 단계를 포함하는, 차량 사이드슬립 앵글 추정 방법
|
9 |
9
제8항에 있어서, 획득된 상기 센서 정보를 통해 딥 앙상블 기반 인공신경망의 학습을 진행하는 단계를 더 포함하는, 차량 사이드슬립 앵글 추정 방법
|
10 |
10
제8항에 있어서, 상기 센서 정보를 학습된 딥 앙상블 기반 인공신경망에 입력하여 예측 값을 추정하는 단계는, 상기 센서 정보를 학습된 딥 앙상블 기반 인공신경망에 입력하여 상기 예측 값을 추정하고, 상기 예측 값의 불확실도 값을 추정하는 단계이고, 상기 예측 값을 모델 기반 관측기에 입력하여 사이드슬립 앵글 값을 추정하는 단계는, 상기 예측 값 및 상기 불확실도 값을 가상의 센서로부터 획득한 센서 정보로 간주하고, 상기 예측 값 및 상기 불확실도 값을 모델 기반 관측기에 입력하여 사이드슬립 앵글 값을 추정하는 단계인 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 방법
|
11 |
11
제10항에 있어서, 상기 예측 값을 모델 기반 관측기에 입력하여 사이드슬립 앵글 값을 추정하는 단계는, 상기 차량에서 획득된 상기 센서 정보와 상기 딥 앙상블 기반 인공신경망에서 출력된 상기 예측 값 및 상기 불확실도 값을 상기 모델 기반 관측기에서 입력 받아 상기 사이드슬립 앵글 값을 추정하는 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 방법
|
12 |
12
제10항에 있어서, 상기 예측 값을 모델 기반 관측기에 입력하여 사이드슬립 앵글 값을 추정하는 단계는, 상기 모델 기반 관측기는 상기 예측 값의 상기 불확실도 값에 따라 상기 예측 값을 얼마나 신뢰하고 사용할지를 자동적으로 결정하는 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 방법
|
13 |
13
제8항에 있어서, 상기 예측 값을 모델 기반 관측기에 입력하여 사이드슬립 앵글 값을 추정하는 단계는, 차량 모델 기반의 칼만필터(Kalman Filter) 방식의 상기 모델 기반 관측기를 사용하여 상기 사이드슬립 앵글을 추정하는 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 방법
|
14 |
14
제13항에 있어서, 상기 예측 값을 모델 기반 관측기에 입력하여 사이드슬립 앵글 값을 추정하는 단계는, 상기 모델 기반 관측기는 확장형 칼만필터(Extended Kalman Filter, EKF) 또는 분산점 칼만필터(Unscented Kalman Filter, UKF) 방식의 모델 기반 관측기인 것을 특징으로 하는, 차량 사이드슬립 앵글 추정 방법
|
15 |
15
제8항에 있어서, 최종적으로 추정된 상기 사이드슬립 앵글 값을 차량 능동 안전 시스템에서 이용하는 단계를 더 포함하는, 차량 사이드슬립 앵글 추정 방법
|